【摘要】：血管是人體重要的組織器官,其形態(tài)狀況與很多潛在的人體疾病有著密切的關(guān)聯(lián)。血管圖像可以為很多疾病的診斷提供幫助,其分割是醫(yī)學(xué)影像學(xué)分析、研究與診斷的重要步驟�；谏疃葘W(xué)習(xí)和卷積神經(jīng)網(wǎng)絡(luò)的血管分割算法具有非常優(yōu)秀的圖像特征提取性能,在血管圖像分割中取得重要的突破,分割精度和性能遠(yuǎn)遠(yuǎn)超過(guò)傳統(tǒng)算法。本文圍繞深度卷積神經(jīng)網(wǎng)絡(luò)與圖像處理技術(shù),對(duì)血管圖像分割算法展開(kāi)研究。首先研究了血管圖像的特性,提出了用于增強(qiáng)血管圖像的預(yù)處理算法。其次,本文設(shè)計(jì)了兩種分割單元,卷積分割單元和反卷積分割單元:卷積單元利用多層卷積提取不同層次的血管與背景特征,反卷積單元?jiǎng)t充分結(jié)合了卷積的特征提取能力和反卷積的特征分解與學(xué)習(xí)能力。之后,基于兩種分割單元,本文分別設(shè)計(jì)了兩種分割模型CNet模型和CDNet模型,CNet利用卷積操作提取和學(xué)習(xí)了血管和背景的特征表達(dá),CDNet則是卷積與反卷積的結(jié)合,對(duì)圖像特征進(jìn)行了提取、分解和學(xué)習(xí),豐富了血管圖像的中層特征的表達(dá)。兩種模型都采用了U形結(jié)構(gòu)和殘差設(shè)計(jì),保證了高層特征的全局信息與低層特征的局部信息的結(jié)合,提高模型對(duì)血管圖像的分割精度。最后,本文對(duì)設(shè)計(jì)的兩種模型進(jìn)行了基于圖像塊和基于端到端兩種分割模式的實(shí)驗(yàn),實(shí)驗(yàn)結(jié)果證明,本文提出的兩種模型與目前已有的算法相比,其分割性能更加精確。在DRIVE、STARE和CHASEDB三個(gè)血管數(shù)據(jù)集上,兩種模型的AUC分?jǐn)?shù)(DRIVE上≥0.983,STARE上≥0.9939,CHASEDB上≥0.9811)、準(zhǔn)確率(DRIVE上≥0.962,STARE上≥0.9721,CHASEDB上≥0.9558)、靈敏度(DRIVE上≥0.7675,STARE上≥0.8765,CHASEDB上≥0.7484)、特異度(DRIVE上≥0.9852,STARE上≥0.9772,CHASEDB上≥0.9647)都超越了目前已有的分割算法,其中基于端到端的兩種分割算法不僅在性能上超越了其它算法,在運(yùn)行時(shí)間上也大大超越了基于圖像塊的算法。本文從不同方向研究并設(shè)計(jì)了兩種不同的血管分割模型,其分割性能非常精確,運(yùn)行高效,應(yīng)用方便,在血管圖像分割領(lǐng)域中有著非常重要的研究?jī)r(jià)值和應(yīng)用價(jià)值。
【學(xué)位授予單位】：廣州大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2019
【分類(lèi)號(hào)】：R445;TP18;TP391.41
【圖文】：

表 1-1 三個(gè)血管圖像數(shù)據(jù)集信息數(shù)據(jù)集 數(shù)量 尺寸DRIVE 40 565×584STARE 20 700×605CHASEDB 28 999 × 960

（False Negatives, FN）指標(biāo)簽是血管像素，算法輸出卻為非（False Positives, FP）指標(biāo)簽是非血管像素，算法輸出卻為血四種量化指標(biāo)，可以計(jì)算三個(gè)常用指標(biāo)：準(zhǔn)確率（Accuracyity, SEN）、特異度（Specificity, SPE），計(jì)算公式如下： = = = 量指標(biāo)，本文還引入另一個(gè)衡量算法性能的重要指標(biāo)：受試r Operating Characteristic Curve, ROC curve），該曲線(xiàn)以假陽(yáng)FPR）為 X 軸，以真陽(yáng)性率（True Positives Rate, TPR）為 Y和曲線(xiàn)光滑程度反映了算法分類(lèi)的準(zhǔn)確程度，ROC 曲線(xiàn)下的e,AUC）大小用于定量分析該準(zhǔn)確程度。

原始圖像及其RGB各通道圖像

【參考文獻(xiàn)】

相關(guān)期刊論文 前3條

1 苗加慶;;基于形態(tài)學(xué)和分水嶺算法的冠狀動(dòng)脈造影圖像分割研究[J];現(xiàn)代電子技術(shù);2015年11期

2 田飛;楊豐;劉國(guó)慶;;一種適用于血管圖像分割的活動(dòng)輪廓模型[J];生物醫(yī)學(xué)工程學(xué)雜志;2010年05期

3 許燕;胡廣書(shū);商麗華;耿進(jìn)朝;;基于Hessian矩陣的冠狀動(dòng)脈中心線(xiàn)的跟蹤算法[J];清華大學(xué)學(xué)報(bào)(自然科學(xué)版);2007年06期

本文編號(hào)：2743857