本文選題：眼底圖像 + 血管分割　； 參考：《深圳大學(xué)》2017年碩士論文

【摘要】：眼底疾病種類繁多,如發(fā)病率較高的白內(nèi)障、青光眼、老年黃斑變性、糖尿病視網(wǎng)膜病變,是四大致盲誘因,危害十分嚴(yán)重。同時(shí),眼底是人體唯一能夠直接觀察到血管的部位,眼底疾病也能夠反映身體的其它疾病,如糖尿病視網(wǎng)膜病變等。眼底圖像是目前診斷眼底疾病的主要方式。而眼底圖像血管分割則是疾病定量分析的必要步驟。目前,性能最優(yōu)異的眼底圖像血管分割方法屬于監(jiān)督方法,此類方法需要人工設(shè)計(jì)特征,這十分依賴設(shè)計(jì)者的經(jīng)驗(yàn),而且其算法參數(shù)的優(yōu)化需要耗費(fèi)大量的時(shí)間。而近年來,得益于能夠自動(dòng)提取特征和優(yōu)化算法參數(shù)的技術(shù)特點(diǎn),深度學(xué)習(xí)在圖像處理、語音識(shí)別等方面取得了突破性的應(yīng)用成果。因此,本課題圍繞深度學(xué)習(xí)在眼底圖像血管分割中的應(yīng)用展開研究。本課題一共研究了兩類基于深度學(xué)習(xí)的眼底圖像血管分割方法,分別是基于塊的圖像分割方法和端到端的圖像分割方法。這些方法都有很強(qiáng)的特征提取能力,且其模型在訓(xùn)練過程中也能自主進(jìn)行模型參數(shù)的優(yōu)化。其中,基于塊的圖像分割方法首次實(shí)現(xiàn)了輸入圖像塊,輸出其對(duì)應(yīng)的標(biāo)簽概率圖;端到端的圖像分割方法首次實(shí)現(xiàn)了輸入原始眼底圖像,直接輸出其對(duì)應(yīng)的整體的標(biāo)簽概率圖。本文提出的四種圖像分割方法能夠進(jìn)行特征自動(dòng)提取和參數(shù)自主優(yōu)化、且算法的準(zhǔn)確性和速度相比以往方法有較大提高。在DRIVE、STARE和CHASE這三大眼底圖像數(shù)據(jù)庫上,各個(gè)方法的靈敏度(Sensitivity,Se)、特異性(Specificity,Sp)和準(zhǔn)確性(Accuracy,ACC)都達(dá)到了世界先進(jìn)水平。其中,端到端的圖像分割方法在DRIVE和CHASE數(shù)據(jù)庫上的分割性能已經(jīng)達(dá)到專家水平,而且此類方法的分割的速度相比以往有質(zhì)的提高,在目前實(shí)驗(yàn)室硬件條件下,本課題采用四分之一型網(wǎng)絡(luò)模型分割一張DRIVE數(shù)據(jù)庫中的眼底圖像耗時(shí)僅0.25s。從基于塊的圖像分割方法到端到端的圖像分割方法,本課題從不同層面提出了多種眼底圖像血管分割方法。這些圖像分割方法性能優(yōu)異,應(yīng)用方便,在整個(gè)圖像分割領(lǐng)域都有重要的推廣價(jià)值和科研意義。
[Abstract]:There are many kinds of fundus diseases, such as cataract with high incidence, glaucoma, senile macular degeneration and diabetic retinopathy. At the same time, fundus is the only place where blood vessels can be observed directly. Fundus diseases can also reflect other diseases of the body, such as diabetic retinopathy. Fundus image is the main way to diagnose fundus disease. Vascular segmentation of ocular fundus image is a necessary step in quantitative analysis of disease. At present, the best method of eyeground image blood vessel segmentation belongs to the supervised method, which requires artificial design features, which depends on the designer's experience, and the optimization of algorithm parameters takes a lot of time. In recent years, thanks to the technical features of automatic feature extraction and optimization of algorithm parameters, deep learning has achieved a breakthrough in image processing and speech recognition. Therefore, this paper focuses on the application of depth learning in ocular fundus image vascular segmentation. In this paper, two kinds of image segmentation methods based on depth learning, block based image segmentation and end-to-end image segmentation, are studied. These methods have strong ability of feature extraction, and their models can be optimized by themselves during the training process. Among them, the block-based image segmentation method implements the input image block for the first time, outputs the corresponding tag probability map, and the end-to-end image segmentation method implements the input original fundus image for the first time, directly outputs its corresponding overall tag probability map. The four image segmentation methods proposed in this paper can extract features automatically and optimize parameters autonomously, and the accuracy and speed of the algorithm are greatly improved compared with the previous methods. The sensitivity, specificity and accuracy of each method have reached the advanced level of the world on the three fundus image databases: DRIVECESTARE and CHASE. Among them, the segmentation performance of end-to-end image segmentation methods in DRIVE and CHASE databases has reached the expert level, and the speed of this method is improved compared with the previous ones. In this paper, it takes only 0.25 s to segment the fundus image in a DRIVE database by using the model of 1/4 network. From block-based image segmentation to end-based image segmentation, this paper proposes a variety of eyeground image vascular segmentation methods from different levels. These image segmentation methods have excellent performance and convenient application, and have important value and scientific significance in the whole field of image segmentation.
【學(xué)位授予單位】：深圳大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類號(hào)】：R770.4;TP391.41

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 胡磊;畢維民;陳迪;郭永新;張光玉;李艷春;焦青;;眼底圖像處理軟件在眼科臨床應(yīng)用觀察[J];泰山醫(yī)學(xué)院學(xué)報(bào);2009年09期

2 張東波;易瑤;趙圓圓;;基于投影的視網(wǎng)膜眼底圖像視盤檢測(cè)方法[J];中國生物醫(yī)學(xué)工程學(xué)報(bào);2013年04期

3 劉愛珍,馬斌榮,徐亮,楊樺,孫秀英;眼底圖像融合[J];中國醫(yī)學(xué)影像技術(shù);2003年11期

4 劉愛珍;王小兵;徐亮;任海萍;宋菲;王颯;;眼底圖像對(duì)位頻閃[J];首都醫(yī)科大學(xué)學(xué)報(bào);2006年05期

5 余輪;魏麗芳;潘林;;眼底圖像配準(zhǔn)技術(shù)研究進(jìn)展[J];生物醫(yī)學(xué)工程學(xué)雜志;2011年05期

6 魏麗芳;潘林;余輪;;一種病變眼底圖像的配準(zhǔn)方法[J];中國生物醫(yī)學(xué)工程學(xué)報(bào);2011年04期

7 陳驥;彭承琳;;眼底圖像的三維重建[J];生物醫(yī)學(xué)工程學(xué)雜志;2008年01期

8 陳萌夢(mèng);熊興良;張琰;王詩鳴;李廣;;1種視網(wǎng)膜眼底圖像增強(qiáng)的新方法[J];重慶醫(yī)科大學(xué)學(xué)報(bào);2014年08期

9 劉愛珍,馬斌榮,徐亮,孫秀英,宋菲;眼底圖像的配準(zhǔn)[J];醫(yī)療設(shè)備信息;2003年10期

10 曹米莎;程建新;陳昱昆;龐博;王劍鋒;詹增榮;鄺健;周少博;李輝;梁納;袁永剛;盧毓敏;陳悅玲;;眼底圖像檢驗(yàn)系統(tǒng)對(duì)眼底的臨床觀察與研究[J];臨床醫(yī)學(xué)工程;2013年01期

相關(guān)會(huì)議論文 前4條

1 王子亮;潘林;余輪;;基于矢量方法的眼底圖像預(yù)處理[A];第十四屆全國圖象圖形學(xué)學(xué)術(shù)會(huì)議論文集[C];2008年

2 曹米莎;程建新;陳昱昆;龐博;王劍鋒;詹增榮;鄺健;周少博;李輝;梁納;袁永剛;盧毓敏;陳悅玲;;眼底圖像檢驗(yàn)系統(tǒng)對(duì)眼底的臨床觀察與研究[A];“廣東省光學(xué)學(xué)會(huì)2013年學(xué)術(shù)交流大會(huì)”暨“粵港臺(tái)光學(xué)界產(chǎn)學(xué)研合作交流大會(huì)”會(huì)議手冊(cè)論文集[C];2013年

3 黃君鑫;;紅外眼底鏡的研究[A];中國光學(xué)學(xué)會(huì)2006年學(xué)術(shù)大會(huì)論文摘要集[C];2006年

4 朱琳琳;唐延?xùn)|;;基于眼底特征的視盤自動(dòng)檢測(cè)[A];2010中國儀器儀表學(xué)術(shù)、產(chǎn)業(yè)大會(huì)（論文集1）[C];2010年

相關(guān)博士學(xué)位論文 前5條

1 高瑋瑋;眼底圖像分割算法及應(yīng)用研究[D];南京航空航天大學(xué);2013年

2 李居朋;眼底圖像處理與分析中一些關(guān)鍵問題的研究[D];北京交通大學(xué);2009年

3 韓松濤;眼底圖像的血管特征分析[D];吉林大學(xué);2010年

4 姚暢;眼底圖像分割方法的研究及其應(yīng)用[D];北京交通大學(xué);2009年

5 李鵬飛;眼底圖像實(shí)時(shí)處理與液晶自適應(yīng)系統(tǒng)控制研究[D];中國科學(xué)院研究生院（長(zhǎng)春光學(xué)精密機(jī)械與物理研究所）;2010年

相關(guān)碩士學(xué)位論文 前10條

1 于婷;眼底圖像視神經(jīng)盤和滲出物自動(dòng)分割算法研究[D];蘭州大學(xué);2015年

2 鄭姍;主動(dòng)輪廓模型及其在眼底圖像分割中的應(yīng)用[D];沈陽理工大學(xué);2015年

3 于甜甜;基于自適應(yīng)盲解卷積的眼底圖像復(fù)原[D];山東農(nóng)業(yè)大學(xué);2015年

4 于揮;眼底圖像中病變的檢測(cè)方法研究[D];蘭州交通大學(xué);2015年

5 趙麒然;基于改進(jìn)參數(shù)核圖割的OCT眼底圖像分割方法研究[D];吉林大學(xué);2016年

6 潘燕紅;基于監(jiān)督分類的糖尿病視網(wǎng)膜病變檢測(cè)方法的研究[D];福州大學(xué);2014年

7 李敏;眼底圖像血管三維重建方法研究[D];天津工業(yè)大學(xué);2016年

8 邵一婷;彩色眼底圖像視盤自動(dòng)檢測(cè)方法研究[D];天津工業(yè)大學(xué);2016年

9 祝婉;多模眼底圖像配準(zhǔn)方法研究[D];天津工業(yè)大學(xué);2016年

10 崔寧;彩色眼底圖像血管參數(shù)測(cè)量方法研究[D];天津工業(yè)大學(xué);2016年

，

本文編號(hào)：1916912