視網(wǎng)膜是眼球內(nèi)部的一層薄膜,上面分布著眾多的微型血管網(wǎng)絡(luò),在正常情況下,視網(wǎng)膜的形態(tài)一直是處于正常狀態(tài),但是對于一些眼睛疾病如糖尿病性視網(wǎng)膜病變、白內(nèi)障和身體性的疾病如高血壓、動脈硬化等都會對視網(wǎng)膜結(jié)構(gòu)（如血管的寬度、角度、長度等）造成改變,因此,對視網(wǎng)膜圖像進行分析研究是目前診斷各類疾病的主要方式。由于人為的對視網(wǎng)膜圖像進行特征提取和分類十分依賴研究者的已有經(jīng)驗,而且通過肉眼進行疾病診斷可能會出現(xiàn)誤判,因此,采用科學(xué)的方法對視網(wǎng)膜圖像進行定量分析是正確診斷各類疾病的關(guān)鍵步驟。近年來,深度學(xué)習(xí)技術(shù)日益成熟,并在醫(yī)療圖像處理應(yīng)用中取得了突破性的成果,本文將基于深度學(xué)習(xí)技術(shù)對視網(wǎng)膜圖像進行病變程度分類和血管分割兩個方面的工作,主要內(nèi)容如下:（1）對視網(wǎng)膜圖像分類和血管分割的背景和現(xiàn)狀進行了簡單介紹,并詳細(xì)描述了深度學(xué)習(xí)平臺Caffe和TensorFlow的工作原理和使用優(yōu)勢,以及本文使用到的深度學(xué)習(xí)關(guān)鍵技術(shù)。（2）本文利用深度學(xué)習(xí)技術(shù)設(shè)計出了一種糖尿病性視網(wǎng)膜圖像的自動分類系統(tǒng)。首先,根據(jù)視網(wǎng)膜數(shù)據(jù)集的特點對圖像采取數(shù)據(jù)擴增、降噪等預(yù)處理操作;其次,在AlexNet的基礎(chǔ)上,對網(wǎng)絡(luò)引入批歸... 

【文章來源】：云南大學(xué)云南省 211工程院校

【文章頁數(shù)】：77 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖２．４卷積運算的過程??

設(shè)定的正方形邊長，ｓ為訓(xùn)練過程中的正方形滑動步長。其中，Ｍａｘ?Ｐｏｏｌｉｎｇ算法??是將大部分?jǐn)?shù)值設(shè)置為０，只有在對應(yīng)圖像矩陣區(qū)域內(nèi)設(shè)置一個最大值為１，??Ｍｅａｎ?Ｐｏｏｌｉｎｇ算法是對固定區(qū)域內(nèi)的所有像素求和取平均值，如圖２．５所示。??Ｍａｘ?Ｐｏｏｌｉｎｇ?Ｍｅａｎ?Ｐｏｏｌｉｎｇ??Ｉｎｐｕｔ?ｘ?／?Ｋｅｒｎｅｌ?ｗ?Ｏｕｔｐｕｔ?ｙ?Ｉｎｐｕｔ?ｘｋｅｒｎｅｌ?ｗ?Ｏｕｔｐｕｔ?ｘ??ｒ?ｆ??圖２．５池化函數(shù)的計算原理圖??從圖２．５可知，池化操作可以使圖像尺寸減小，因此可以減少網(wǎng)絡(luò)的參數(shù)的??數(shù)量，降低網(wǎng)絡(luò)規(guī)模，這在節(jié)省計算機內(nèi)存的同時可以提高模型的訓(xùn)練速度，本??文中的神經(jīng)網(wǎng)絡(luò)都采用最大池化算法．??２．３．３全連接層??全連接層（Ｆｕｌｌｙ?Ｃｏｎｎｅｃｔｅｄ?Ｌａｙｅｒ）的主要作用是將卷積層的輸出特征矩陣轉(zhuǎn)??換成列向量，因此，引入全連接層相當(dāng)于給神經(jīng)網(wǎng)絡(luò)設(shè)置了一個分類器。即數(shù)據(jù)??特征在經(jīng)過全連接層后將會被轉(zhuǎn)換為一維向量且分類概率會從該層輸出，概率最??大圖片就是其所屬類別［３７］。如圖２．６所示，本文在視網(wǎng)膜圖像分類時，圖像依次??經(jīng)過卷積層、池化層，但在經(jīng)過后面的全連接層后，圖像由二維矩陣變成了一維??１６??

信息；（３）對提取的特征圖采取上采樣操作從而保證了輸出圖像與輸入圖像尺寸??一致。??ＣＮＮ通過一定的計算規(guī)則進行修改可轉(zhuǎn)換ＦＣＮ，如圖２．７所示。其中，第一??個全連接層（ｆｃｌ）輸入維度為ＬｘＷｘ／／，將其與一個同樣維度大小的卷積核進行??卷積運算便可實現(xiàn)全連接層向卷積層的轉(zhuǎn)換，因為圖中有２全連接層，因此需要??進行２次類似的卷積運算。??１７??

【參考文獻】：
期刊論文
[1]用于糖尿病視網(wǎng)膜病變檢測的深度學(xué)習(xí)模型[J]. 龐浩,王樅.  軟件學(xué)報. 2017(11)
[2]糖尿病視網(wǎng)膜病變眼底圖像分類方法[J]. 梁平,熊彪,馮娟娟,廖瑞端,汪天富,劉維湘.  深圳大學(xué)學(xué)報(理工版). 2017(03)
[3]糖尿病性視網(wǎng)膜圖像的深度神經(jīng)網(wǎng)絡(luò)分類方法[J]. 丁蓬莉,李清勇,張振,李峰.  計算機應(yīng)用. 2017(03)
[4]基于改進sigmoid激活函數(shù)的深度神經(jīng)網(wǎng)絡(luò)訓(xùn)練算法研究[J]. 黃毅,段修生,孫世宇,郎巍.  計算機測量與控制. 2017(02)



本文編號：2986834