基于深度学习的青光眼杯盘检测技术研究

发布时间：2020-11-22 04:46

　　 青光眼是当前世界上两大致盲眼病之一,患病人数逐年增加,但我国医疗资源分布不均衡,资深眼科医生数量少且大多集中在中心城市,偏远地区资深青光眼专业医生几乎没有,因此,借助人工智能技术,研究计算机辅助的青光眼自动诊断技术非常必要。杯盘比(视杯与视盘的纵向尺寸比)是判别青光眼的重要参考指标之一,通过对眼底图的视盘与视杯进行分割并计算两者垂直高度比值得到。目前基于计算机辅助的青光眼杯盘检测技术研究主要分为两大类:一是运用数字图像处理技术检测眼底图中视盘与视杯的边缘、纹理等特征以实现视盘与视杯的定位与分割;二是运用机器学习技术实现视盘与视杯的自动定位与分割。上述方法主要存在以下不足:(1)依赖研究者的先验知识,需要研究者具备一定的青光眼病症知识和图像处理知识,才能针对性提取出相关特征;(2)样本数据少,模型容易过拟合,泛化能力不强,训练速度过慢。针对上述不足,本文提出一种基于生成对抗机制的青光眼杯盘检测方法,主要工作包括:(1)利用视盘定位、图像缩放、裁剪、旋转变换等技术实现眼底图的数据增强,为后期深度学习奠定良好的数据基础;(2)提出一种改进的U-Net网络结构Light U-Net,实现杯盘的自动检测与分割;(3)将生成对抗机制与Light U-Net网络结合,实现了一种基于生成对抗网络的杯盘自动分割方法Light U-GANs。在公开眼科数据集ORIGA上的实验结果表明,本文提出的方法对视盘分割的平均IOU为90.25%,对视杯分割的平均IOU为70.88%,模型的训练时间达到0.0577秒/张,测试时间达到0.0266秒/张,训练速度约为17张/秒,测试速度约为38张/秒。
【学位单位】：广东技术师范学院
【学位级别】：硕士
【学位年份】：2018
【中图分类】：R775;TP181
【部分图文】：

图 1-1 本文研究流程预处理，增强图像特征，增加图像数量，从et 网络结构建立 Light U-Net 网络，训练生成与视杯分割模型（以下简称“视杯模型”）s 网络，训练生成视盘模型与视杯模型。-Net 与 Light U-GANs 所生成的视盘模型与视专家的结果作对比。做了简单的介绍。第 1 小节从研究背景与国性描述；第 2 小节从研究目标上明确本文的义上论证本文研究选题的可行性和实用性；本论文的研究流程。

图 2-1 文献[21]提出的流程图视网膜主血管方向实现视盘定位及提取，先利用视盘候选区，然后利用彩色眼底图的 HSV 色彩空其方向。通过方向图找出加权匹配滤波响应最大置与候选区域结合选出真正的视盘[24]。

图 2-1 文献[21]提出的流程图基于视网膜主血管方向实现视盘定位及提取，先利用大津得到视盘候选区，然后利用彩色眼底图的 HSV 色彩空间确定其方向。通过方向图找出加权匹配滤波响应最大的点将位置与候选区域结合选出真正的视盘[24]。
【参考文献】

相关期刊论文 前6条

1 柯鑫;江威;朱江兵;;基于视觉注意机制的眼底图像视盘快速定位与分割[J];科学技术与工程;2015年35期

2 邹北骥;张思剑;朱承璋;;彩色眼底图像视盘自动定位与分割[J];光学精密工程;2015年04期

3 刘杜鹃;余轮;郑绍华;;视网膜眼底图像中视盘的检测方法[J];中国医疗设备;2014年11期

4 郑姗;范慧杰;唐延东;王琰;;多相主动轮廓模型的眼底图像杯盘分割[J];中国图象图形学报;2014年11期

5 郑绍华;陈健;潘林;余轮;;基于定向局部对比度的眼底图像视盘检测方法[J];中国生物医学工程学报;2014年03期

6 张东波;易瑶;赵圆圆;;基于投影的视网膜眼底图像视盘检测方法[J];中国生物医学工程学报;2013年04期

相关硕士学位论文 前9条

1 谢林培;基于深度学习的眼底图像血管分割方法研究[D];深圳大学;2017年

2 齐嘉骏;眼底图像中视盘的定位与分割方法研究[D];沈阳工业大学;2017年

3 卜凡进;视网膜特征检测方法研究[D];哈尔滨工业大学;2016年

4 段彦华;眼底图像中视杯分割和硬性渗出物检测算法研究[D];北京工业大学;2016年

5 曾杰;视网膜图像的分析与研究[D];电子科技大学;2016年

6 邵一婷;彩色眼底图像视盘自动检测方法研究[D];天津工业大学;2016年

7 郑姗;主动轮廓模型及其在眼底图像分割中的应用[D];沈阳理工大学;2015年

8 赵秋红;彩色眼底图像中视杯识别算法研究[D];北京工业大学;2014年

9 赵圆圆;病变眼底图像高效高精度视盘定位与分割[D];湘潭大学;2014年

本文编号：2894144