糖尿病視網(wǎng)膜病變檢測是利用醫(yī)學(xué)圖像處理技術(shù)檢測眼底圖像中是否存在病變,然后標注出病變的位置。通過使用深度學(xué)習(xí)技術(shù),對糖尿病視網(wǎng)膜病變圖像中硬滲出物進行智能化診斷和分析,為糖尿病的早期診斷提供依據(jù),這能夠降低醫(yī)療成本,分擔(dān)醫(yī)生的壓力,并提高診斷的準確性。本文在分析國內(nèi)外相關(guān)工作成果的基礎(chǔ)上,分別實現(xiàn)了基于主成分分析網(wǎng)絡(luò)和基于U-Net的硬滲出物檢測方法,并在e-ophtha EX公共數(shù)據(jù)庫上能夠?qū)崿F(xiàn)像素級精度的檢測。本文的主要工作如下:1)實現(xiàn)了硬滲出物候選區(qū)域的提取方法。因為硬滲出物和視盤具有一定的相似性,所以需要先根據(jù)先驗證知識對非眼底部分、主血管、視盤等位置進行排除。因此,先進行主血管提取,然后根據(jù)主血管的映射特點定位視盤,最后得到硬滲出物的候選區(qū)域。2)在獲得了硬滲出物候選區(qū)域的基礎(chǔ)上,實現(xiàn)了基于主成分分析網(wǎng)絡(luò)的硬滲出物檢測方法。本文將主成分分析網(wǎng)絡(luò)從識別領(lǐng)域拓展到檢測和分割領(lǐng)域,通過主成分分析將檢測像素點及其鄰域映射到該點檢測值,實現(xiàn)硬滲出物檢測。本文通過基于標記圖的隨機采樣解決了圖像中硬滲出物所占比例小帶來的樣本分布不均衡問題,還使用壓縮感知改善了原主成分分析網(wǎng)絡(luò)中存在的維數(shù)... 

【文章來源】：武漢工程大學(xué)湖北省

【文章頁數(shù)】：76 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 硬滲出物檢測研究現(xiàn)狀
        1.2.2 深度學(xué)習(xí)在醫(yī)學(xué)圖像處理中研究現(xiàn)狀
    1.3 本文的研究內(nèi)容
    1.4 論文章節(jié)安排
第2章 深度學(xué)習(xí)及其相關(guān)技術(shù)
    2.1 卷積神經(jīng)網(wǎng)絡(luò)
    2.2 主成分分析網(wǎng)絡(luò)
    2.3 語義分割網(wǎng)絡(luò)
    2.4 本章小結(jié)
第3章 硬滲出物候選區(qū)域的提取方法
    3.1 硬滲出物檢測的整體流程
    3.2 主血管的提取
    3.3 確定視盤中心
    3.4 本章小結(jié)
第4章 基于改進的主成分分析網(wǎng)絡(luò)的硬滲出物檢測方法
    4.1 方法概述
    4.2 改進的主成分分析網(wǎng)絡(luò)模型
        4.2.1 網(wǎng)絡(luò)整體結(jié)構(gòu)
        4.2.2 第一階段
        4.2.3 第二階段
        4.2.4 輸出層
    4.3 實驗與分析
        4.3.1 實驗數(shù)據(jù)庫
        4.3.2 評價標準
        4.3.3 網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù)測試
        4.3.4 方法效果與對比分析
    4.4 本章小結(jié)
第5章 基于U-Net的硬滲出物檢測方法
    5.1 方法概述
    5.2 網(wǎng)絡(luò)模型
        5.2.1 預(yù)處理和訓(xùn)練集采樣
        5.2.2 池化與上采樣結(jié)構(gòu)
        5.2.3 多卷積結(jié)構(gòu)
        5.2.4 學(xué)習(xí)率和損失函數(shù)
    5.3 實驗及分析
        5.3.1 網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù)測試
        5.3.2 方法效果與對比分析
    5.4 本章小結(jié)
第6章 總結(jié)與展望
參考文獻
攻讀碩士期間已發(fā)表的論文
致謝


【參考文獻】：
期刊論文
[1]基于多尺度區(qū)域塊的糖尿病性視網(wǎng)膜病變級聯(lián)檢測[J]. 馬文婷,趙耀,韋世奎,張詩吟,廖理心.  北京交通大學(xué)學(xué)報. 2017(06)
[2]人工智能在神經(jīng)醫(yī)學(xué)中的應(yīng)用綜述[J]. 李詩語,王峰,曹彬,梅琪.  計算機科學(xué). 2017(S2)
[3]基于改進的模糊C-均值聚類算法及支持向量機的眼底圖像中硬性滲出檢測方法[J]. 高瑋瑋,沈建新,程武山,王明紅,左晶.  北京生物醫(yī)學(xué)工程. 2017(04)
[4]基于深度學(xué)習(xí)和醫(yī)學(xué)圖像的癌癥計算機輔助診斷研究進展[J]. 陳詩慧,劉維湘,秦璟,陳亮亮,賓果,周煜翔,汪天富,黃炳升.  生物醫(yī)學(xué)工程學(xué)雜志. 2017(02)
[5]自適應(yīng)脈沖耦合神經(jīng)網(wǎng)絡(luò)與匹配濾波器相結(jié)合的視網(wǎng)膜血管分割[J]. 徐光柱,張柳,鄒耀斌,夏平,雷幫軍.  光學(xué)精密工程. 2017(03)
[6]基于卷積受限玻爾茲曼機的醫(yī)學(xué)圖像分類新方法[J]. 張娟,蔣蕓,胡學(xué)偉,肖吉澤.  計算機工程與科學(xué). 2017(02)
[7]卷積神經(jīng)網(wǎng)絡(luò)研究綜述[J]. 周飛燕,金林鵬,董軍.  計算機學(xué)報. 2017(06)
[8]彩色眼底圖像糖網(wǎng)滲出物的自動檢測[J]. 呂衛(wèi),翟慶偉,褚晶輝,李喆.  光電工程. 2016(12)
[9]深度學(xué)習(xí)及其在圖像物體分類與檢測中的應(yīng)用綜述[J]. 劉棟,李素,曹志冬.  計算機科學(xué). 2016(12)
[10]圖像分割方法綜述研究[J]. 周莉莉,姜楓.  計算機應(yīng)用研究. 2017(07)

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

碩士論文
[1]基于深度學(xué)習(xí)的眼底圖像血管分割方法研究[D]. 謝林培.深圳大學(xué) 2017
[2]基于深度學(xué)習(xí)的糖尿病性視網(wǎng)膜圖像分析算法研究[D]. 丁蓬莉.北京交通大學(xué) 2017
[3]眼底視網(wǎng)膜結(jié)構(gòu)檢測方法的研究[D]. 何計敏.吉林大學(xué) 2016
[4]糖尿病視網(wǎng)膜病變圖像的血管提取方法研究[D]. 單玲玉.武漢工程大學(xué) 2015
[5]基于深度置信網(wǎng)絡(luò)的腦血管病風(fēng)險預(yù)警研究[D]. 楊星.北京交通大學(xué) 2016



本文編號：3188107