【摘要】：青光眼是一種由于眼內壓過高導致眼視神經損害的視神經性疾病,其發(fā)生一般伴隨著視杯、視盤以及視神經纖維層的改變,因此準確測量視杯各項參數(shù)是檢測青光眼的重要指標,對青光眼的早期篩查、抑制病情發(fā)展具有重要的臨床意義。而視杯的準確分割對測量視杯參數(shù)至關重要。本文首先研究了基于傳統(tǒng)圖像處理技術FCM聚類的視杯分割方法,結合視杯周圍血管在視杯邊緣彎折的特征校正視杯位置,得到了較好的視杯分割結果。但是使用傳統(tǒng)圖像處理技術的視杯分割方法需要人工設計特征,過程復雜,魯棒性不高。深度學習技術彌補了傳統(tǒng)視杯分割方法的上述不足。深度學習本質上是神經網絡的拓展,目前在語音識別、目標檢測、語義分割等諸多人工智能領域都取得了突破性進展�；谏疃葘W習的圖像語義分割的主要思路是:使用像素級標注的圖像,利用上采樣、反卷積等特殊層,將普通卷積網絡提取到的特征再還原回原圖像尺寸,從而實現(xiàn)一種端到端的學習。本文在借鑒已有網絡的基礎上,提出了一種Seg-ResNet的網絡新架構,新架構以殘差網絡結構為主體,引入通道加權結構以學習的方式自動調整特征通道的依賴關系,實現(xiàn)特征通道權重的重新標定。然后將加權后的底層特征與高層特征進行融合,用以提升網絡性能。結合遷移學習的訓練策略,在加快網絡收斂速度的同時提高分割精度。通過對GlaucomaRepo和Drishti-GS眼底圖像數(shù)據庫進行測試,證明了本文基于深度學習視杯分割方法的魯棒性和有效性。
【圖文】：

視杯表現(xiàn)為視盤中央的凹陷；在彩色眼底圖像上，視杯表現(xiàn)為視盤中最亮逡逑的單連通區(qū)域，周圍進出的血管在視杯邊沿處出現(xiàn)彎折。正常人與疑似青光眼患逡逑者的彩色眼底杯盤結構如圖１－１所示。臨床上，青光眼可以通過杯盤比（ＣｕｐＤｉｓｃ逡逑Ｒａｔｉｏ，簡稱ＣＤＲ）等參數(shù)的測量來進行初步診斷Ａ邋ＣＤＲ是視杯區(qū)域與視盤區(qū)逡逑域的面積比，通常正常眼底的ＣＤＲ值介于０．３－０．５之間，，如果ＣＤＲ的值大于０．５，逡逑可以判斷為疑似青光眼患者。而且檢測視杯有助于建立一個視網膜坐標系統(tǒng)，以逡逑１逡逑

積核中的數(shù)值就是權重，每個位置權重是一樣的，而且每個神經元ｇ與部分輸入逡逑神經元相連，相較于全連接，共享權重大大減少了卷積層的參數(shù)個數(shù)。逡逑卷積過程如圖２－１所示，使用一個大小為３Ｘ３的卷積核以大小為１的步長逡逑在７Ｘ７特征圖上做卷積，通過遍歷得到５Ｘ５的特征圖。逡逑Ｉ邋｜邐＿＿？」Ｉ邋｜邋Ｉ逡逑鼷Ｓ二工逡逑圖２－１卷積過程示意圖逡逑２．２．２池化層逡逑池化層的輸入一般來源于上一個卷積層，主要功能是對輸入圖像進行降采樣，逡逑使特征圖更加抽象，降低局部發(fā)生變化對整體的影響，保持一定程度的平移不變逡逑性。池化操作在提取主要特征的同時減少下一層的參數(shù)量，防止過擬合，增強網逡逑絡的泛化能力。池化這種機制能夠有效的原因在于，它可以使特征對圖像輕微的逡逑畸變保持不變，特征圖的精確位置遠不及相對位置的關系重要，在加強主要特征逡逑１０逡逑
【學位授予單位】：天津工業(yè)大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：R770.4;TP391.41;TP183

【參考文獻】

相關期刊論文 前3條

1 高瑋瑋;沈建新;王玉亮;梁春;左晶;;基于多模板匹配的局部自適應區(qū)域生長法在視網膜內出血自動檢測中的應用[J];光譜學與光譜分析;2013年02期

2 董銀偉;沈建新;王玉亮;;基于C-V模型的眼底圖像交互式杯盤分割[J];計算機應用與軟件;2012年05期

3 蔡晉輝;蔣慶;周澤魁;施麗蓮;;圓檢測HOUGH變換的改進算法研究[J];模式識別與人工智能;2004年01期

本文編號：2592856