基于深度学习的视网膜血管图像分割及高血压量化方法研究
这是一篇关于视网膜血管分割,高血压量化,深度学习,多尺度特征融合的论文, 主要内容为眼底视网膜血管作为人体唯一可以直接无创观测的血管图像,其形态学结构在一定程度上反映了心血管疾病的严重程度。使用计算机来对眼底视网膜血管图像进行精准分割以及血管形态的量化有利于辅助医生进行诊断,具有重要的临床价值。本文基于深度学习对视网膜血管图像分割以及高血压量化方法进行研究,具体工作如下:(1)考虑到传统卷积网络中通常采用最大值池化来对图像特征层进行下采样,采样过程中容易丢失大量图像的原始信息,影响模型的最终输出结果。为此,本文提出了一种新型的应用于视网膜血管分割的下采样方法:像素融合池化。首先,本文算法在下采样过程中通过图像行列的奇偶不同对原始特征图像进行拆分和堆叠,之后通过1×1卷积操作实现自动提取特征层关键信息,最后将U-Net模型的下采样部分更换为本文所提出算法并在不同数据集上进行实验。实验结果表明,算法在DRIVE数据集和STARE数据集上的F1-score指标分别提升了0.17%、1.98%,准确率分别提升0.03%、0.23%,灵敏度分别提升0.36%、3.88%。(2)针对视网膜微小血管精准分割问题,本文改进U-Net算法,进一步的对不同特征层的图像进行融合,提出了一种新的视网膜血管分割算法。首先在解码阶段通过融合不同特征层信息来保留原始图像更多的细节。其次,通过在卷积过程中添加注意力机制来提升模型对于血管像素的关注度,使得模型在微小血管的分割上更为精准。最后,在公开数据集上对该算法进行实验验证。实验结果表明,相较于原始U-Net算法,本文提出的算法在DRIVE数据集上的准确率、AUC、F1-score等指标上分别提升了0.47%,0.7%和1.78%,其在CHASE＿DB1数据集上表现更为优异,分割准确率达到96.67%,F1-score达到83.82%,AUC指标达到98.90%。(3)为了辅助医生对高血压患者病情进行诊断,本文提出了一种可以对视网膜血管形态发生变化的区域进行量化的方法。首先对分割后的血管图像进行ROI提取,然后对区域内血管进行线性拟合,之后对拟合后的血管曲线进行正向夹角计算,最后为了验证方法的有效性,对在不同角度以及不同分辨率下的图像进行了测试以及与专业医生手工标注数据进行对比。实验结果表明,本文所提出算法具有很好的鲁棒性,可以适应图像的旋转以及缩放,并且在与专业医生手工标注数据进行对比时,其平均误差仅为0.69°,可以有效的作为辅助手段帮助医生对高血压患者的病情进行诊断。
基于深度学习的糖尿病眼底图像分割及分类方法研究
这是一篇关于视网膜血管分割,糖尿病视网膜病变分类,深度学习,多尺度特征,注意力门的论文, 主要内容为糖尿病视网膜病变是一种致盲率很高的糖尿病并发症,是由于高血糖引发的视网膜微血管炎症引起的。由于其早期病症并不明显,所以常常被患者忽视,最终导致视力下降甚至失明,因此定期对患者的眼底情况进行诊断筛查可以大大降低失明风险。临床诊断时,医生需根据眼底病灶以及视网膜血管的宽度、角度、分支形态等特征判定患者视网膜的病变程度,再根据病变程度采取相应的治疗措施。目前临床上主要采用人工诊断的方式对病变程度进行判断。但由于糖尿病患者众多,且眼底图像又有对比度低、视网膜血管形态结构复杂、眼底病灶微小且位置随机等特点,使得人工诊断过程不仅耗时,而且可能出现误诊、漏诊的现象。因此实现糖尿病视网膜病变程度的自动分类以及视网膜血管的自动分割,具有重要的临床应用价值。近年来,随着计算机性能的不断提升,深度学习广泛地运用到了各个领域。基于深度学习的图像识别和理解技术能够自主地学习到数据的内在联系,避免诊断中的主观因素,具有诊断速度快、准确率高的优点,成为计算机辅助诊断领域的研究热点之一。本文在此背景下开展了基于眼底图像的视网膜血管分割和糖尿病视网膜病变分类技术的研究,完成了如下工作:(1)针对现有模型在视网膜血管分割任务中灵敏度不够高、泛化能力不强的问题,提出了一种基于注意力增强的双解码器网络模型ADNet。该模型继承了U-Net的编解码思想。首先,通过减少U-Net各层卷积的滤波器数量,来大大降低训练参数量,避免模型过度拟合,提升模型的泛化能力。其次,通过添加MFE模块和M/A中间解码器来提升模型的灵敏度。其中MFE模块作为模型的第一个编码单元,可在复杂的解剖背景下获取丰富的血管特征。M/A中间解码器由MFF和AHFF模块构成。MFF模块将深层语义信息和浅层空间信息融合起来,确保网络中间层各尺度特征得到充分利用;AHFF模块将不同尺度的混合特征自适应融合,生成关注重点不同的两个特征描述符,以增强模型的表达力。ADNet在DRIVE、STARE、CHASE＿DB1数据集上进行了评估,其AUC值分别为98.41%,98.79%,98.76%,灵敏度值分别为84.19%、84.58%、82.62%。与其他端到端方法相比,ADNet对血管识别灵敏度更高,泛化能力更强。与U-Net及其经典变体网络相比,ADNet参数量更少而且分割精度更高。该模型显示出优越的综合性能,具有一定的临床应用价值。(2)针对现有模型分类精度不高的问题,结合糖尿病性眼底图像中的病灶微小且种类多样、位置随机的特点,提出了一种关注局部特征的网络模型MFANet和一种增强通道依赖关系的网络模型ECARNet,实现糖尿病视网膜病变分类。MFANet主要解决现有模型对微小病灶关注程度不够的问题。该模型以改进的Res Net34为主干网络,通过压缩Res Net34各层卷积滤波器数量的方式显著减少模型参数量。然后,利用局部特征提取网络LFENet改善模型对微小病灶的捕获能力,增强细节特征在决策结果中的比重。MFANet在改进的Res Net34和LFENet双网络的驱动下,使得全局特征和局部特征共同参与病变诊断与病变程度的分级。ECARNet主要解决现有模型的特征通道间依赖关系弱的问题。模型同样以改进的Res Net34为主干网络,但将高效通道注意力残差模块引入网络。该模块将Res Net34的残差模块与高效通道注意力模块ECA相结合,通过设置局部覆盖范围来提升相邻通道间的相互依赖关系,通过残差连接避免反向传播过程中梯度消失。MFANet和ECARNet两个模型在APTOS2019数据集上进行了评估。在诊断是否患有糖尿病视网膜病变的二分类任务中,二者的准确率分别达到97.01%、97.22%;在病变程度分级的五分类任务中,二者的准确率分别达到79.62%、78.88%。与经典网络与近期优秀算法的对比数据显示,两个模型不仅在准确率上高于其他神经网络,同时训练参数量也远低于经典网络。
基于MSPCNN与U-Net网络的医学图像分割算法研究
这是一篇关于U-Net,FC-MSPCNN,注意力机制,肝脏分割,视网膜血管分割的论文, 主要内容为由于医学成像设备和患者个体差异等原因,医学图像通常含有许多噪声,大量的人工分割任务对于专业医生是巨大负担,以至于无法及时获得病灶信息。端到端的医学图像分割可以在无需过多人为操作的情况下,将任务目标从复杂的图像内容中分割出来,提高医生的工作效率,方便进行下一步的分析与治疗。近年来,基于深度学习的图像分割研究已经在医学、自动驾驶、遥感图像等多领域广泛开展。本文针对医学图像存在的噪声和类别不平衡,深度学习方法中存在的数据集图像较少和提升准确度等问题,围绕脉冲耦合神经网络和U-Net网络的医学图像分割算法展开研究,在细胞结构、肝脏和视网膜血管数据集上进行实验。主要内容概括如下:(1)针对经典U-Net架构下采样引入的损失问题,本文提出一种改进连接路径的医学图像分割U-Net模型。首先,在编码阶段的卷积块中加入拼接操作,将卷积块中两次卷积结果进行融合,以保留更多的图像信息,为了防止网络出现梯度爆炸或消失加入了dropout。其次,传统跳跃连接将编码器中连续两次卷积后的结果与解码器中上采样的结果进行拼接,将跳跃连接改为第一次卷积结果与解码器上采样后的深层特征图进行拼接,更加有利于高底层信息的融合。两个改进旨在减少信息损失,实现更高效的高低层图像信息融合,提高信息利用率。实验结果表明,改进后的U-Net模型能够取得更精细的分割结果,主观和客观评价更好。(2)由于点火可控制的简化调整脉冲耦合神经网络(Fire-Controlled Simplified Pulse Coupled Neural Network,FC-MSPCNN)模型动态阈值的衰减因子数值较大,神经元在点火之后,动态阈值快速下降,神经元的不应期间隔时间较短,不具有较好的生物可解释性,提出一种动态阈值可变的FCMSPCNN(Dynamic Threshold Changed FCMSPCNN,DTC-FCMSPCNN)的方案。首先,使用基于高斯分布的参数形式替换传统PCNN模型中的权重矩阵,对模型链接强度参数和动态阈值的幅值参数计算方法进行简化。然后,重新调整动态阈值衰减因子大小,并添加可变阈值参数B和Q,两个参数根据具体情况来调节神经元动态阈值的大小,可以更符合生物特性。最后,使用改进模型分割目标区域,对非目标区域遮盖处理。实验结果显示,该算法在目标位置定位、分割准确率以及主观评价方面都具有良好的表现。(3)针对U型网络训练时间长、分割精度不够以及连续的跨步卷积和池化运算导致的图像信息丢失等问题,提出一种结合DTC-FCMSPCNN和改进U型网络的分割方法。首先,使用DTC-FCMSPCNN对数据集统一处理,分割出目标区域用于改进U型网络的训练。然后,对U型网络进行改进,将传统卷积块的双层卷积加深为三层卷积,并且融入了Res Net中跨层连接的思想,在相邻卷积层之间加入1×1卷积的快捷连接,交叉融合不同层次的特征信息,提高信息利用率;改进上下文提取器的空洞卷积模块,以解决分割结果填充不完全等问题,确保分割的准确性;引入注意力机制突出对任务目标的学习。最后,将处理后的数据集输入改进U型网络,完成任务目标的分割。实验结果表明,本文算法的分割准确率更高、训练时间更短、主客观表现更好。
基于深度学习的眼底视网膜血管分割算法研究
这是一篇关于深度学习,视网膜血管分割,注意力机制,多尺度特征,密集连接的论文, 主要内容为在眼科临床医学中,眼底视网膜图像对于眼科临床医生实现眼底视网膜疾病的诊断和治疗极其重要。血管作为眼底视网膜中最重要的组成之一,血管的变化可以反映出很多眼部和全身疾病的进展和病情。然而,由于眼底视网膜血管的曲折多变、分叉众多、形状各异,并且与眼底背景之间的对比度低,以及人工分割耗时耗力等因素,导致现有的眼底视网膜数据集往往数据量低,使得眼底视网膜血管分割任务具有高度挑战性。基于此,本文提出了以下两种方法:1.基于注意力机制多尺度特征融合的视网膜血管分割网络(PAU-Net)。在PAU-Net中,采用串行跳接和并行多分支两种多尺度相融和的方式,以提高网络对血管分割的准确性。在U型编码-解码网络的基础上,引入金字塔池化模块替代最大池化下采样,以增强网络对感兴趣区的特征提取。此外,采用Attention Gate对跳接和上采样进行拼接和特征提取,以进一步增强网络对感兴趣区的特征提取能力。2.基于密集连接自注意力卷积的视网膜血管分割网络(DAU-Net)。在DAUNet中,采用密集连接的方式,将U型编码-解码网络的跳接层应用到所有未直接连接的两层网络之间,形成密集连接网络。再通过注意力卷积模块ACmix替换原网络中的卷积模块,以实现对感兴趣区特征的提取以及对不感兴趣特征的抑制,以提升网络对血管分割的鲁棒性。实验结果表明,PAU-Net和DAU-Net在公开数据集CHASE＿DB1、DRIVE和STARE上均能有效分割,且各项指标表现较佳,优于近几年的其他分割算法。
基于MSPCNN与U-Net网络的医学图像分割算法研究
这是一篇关于U-Net,FC-MSPCNN,注意力机制,肝脏分割,视网膜血管分割的论文, 主要内容为由于医学成像设备和患者个体差异等原因,医学图像通常含有许多噪声,大量的人工分割任务对于专业医生是巨大负担,以至于无法及时获得病灶信息。端到端的医学图像分割可以在无需过多人为操作的情况下,将任务目标从复杂的图像内容中分割出来,提高医生的工作效率,方便进行下一步的分析与治疗。近年来,基于深度学习的图像分割研究已经在医学、自动驾驶、遥感图像等多领域广泛开展。本文针对医学图像存在的噪声和类别不平衡,深度学习方法中存在的数据集图像较少和提升准确度等问题,围绕脉冲耦合神经网络和U-Net网络的医学图像分割算法展开研究,在细胞结构、肝脏和视网膜血管数据集上进行实验。主要内容概括如下:(1)针对经典U-Net架构下采样引入的损失问题,本文提出一种改进连接路径的医学图像分割U-Net模型。首先,在编码阶段的卷积块中加入拼接操作,将卷积块中两次卷积结果进行融合,以保留更多的图像信息,为了防止网络出现梯度爆炸或消失加入了dropout。其次,传统跳跃连接将编码器中连续两次卷积后的结果与解码器中上采样的结果进行拼接,将跳跃连接改为第一次卷积结果与解码器上采样后的深层特征图进行拼接,更加有利于高底层信息的融合。两个改进旨在减少信息损失,实现更高效的高低层图像信息融合,提高信息利用率。实验结果表明,改进后的U-Net模型能够取得更精细的分割结果,主观和客观评价更好。(2)由于点火可控制的简化调整脉冲耦合神经网络(Fire-Controlled Simplified Pulse Coupled Neural Network,FC-MSPCNN)模型动态阈值的衰减因子数值较大,神经元在点火之后,动态阈值快速下降,神经元的不应期间隔时间较短,不具有较好的生物可解释性,提出一种动态阈值可变的FCMSPCNN(Dynamic Threshold Changed FCMSPCNN,DTC-FCMSPCNN)的方案。首先,使用基于高斯分布的参数形式替换传统PCNN模型中的权重矩阵,对模型链接强度参数和动态阈值的幅值参数计算方法进行简化。然后,重新调整动态阈值衰减因子大小,并添加可变阈值参数B和Q,两个参数根据具体情况来调节神经元动态阈值的大小,可以更符合生物特性。最后,使用改进模型分割目标区域,对非目标区域遮盖处理。实验结果显示,该算法在目标位置定位、分割准确率以及主观评价方面都具有良好的表现。(3)针对U型网络训练时间长、分割精度不够以及连续的跨步卷积和池化运算导致的图像信息丢失等问题,提出一种结合DTC-FCMSPCNN和改进U型网络的分割方法。首先,使用DTC-FCMSPCNN对数据集统一处理,分割出目标区域用于改进U型网络的训练。然后,对U型网络进行改进,将传统卷积块的双层卷积加深为三层卷积,并且融入了Res Net中跨层连接的思想,在相邻卷积层之间加入1×1卷积的快捷连接,交叉融合不同层次的特征信息,提高信息利用率;改进上下文提取器的空洞卷积模块,以解决分割结果填充不完全等问题,确保分割的准确性;引入注意力机制突出对任务目标的学习。最后,将处理后的数据集输入改进U型网络,完成任务目标的分割。实验结果表明,本文算法的分割准确率更高、训练时间更短、主客观表现更好。
基于U-Net和UNet++的视网膜血管分割方法研究
这是一篇关于眼底图像,视网膜血管分割,U-Net,UNet++,深度学习的论文, 主要内容为随着人口老龄化和生活方式的改变,眼部疾病的发病率逐年上升,眼底视网膜血管的检测与分析对许多眼科疾病的筛查和诊断具有重要作用。眼底视网膜图像能够提供关于病理变化的丰富信息,各种病理变化直接反映了多种眼部疾病,还在一定程度上反映了其他一些器官的健康状况。根据血管的宽度、曲率、分支形状和角度等形态,可以有效帮助医生诊断眼科、内科等疾病。人工分割方法既耗时又费力,同时眼底图像中血管的拓扑结构复杂多变,且形态各异,仅靠人工分割方法很难对视网膜血管进行准确的分析和判断。而借助自动分割技术可以实现视网膜血管的精确分割,减轻人工负担,提升眼科疾病的临床诊断效率。为此,本研究针对视网膜血管眼底图像,利用现有的深度学习框架和模型实现了对视网膜血管进行精准分割。该研究的主要内容包括:(1)为了解决视网膜细小血管分割不足以及准确率和灵敏度较低的问题,提出了一种基于U-Net架构的改进模型。该模型提出了一种改进的空洞空间金字塔池化方法,能够通过多尺度的特征提取来增加网络的感受野,从而有助于模型识别各种形态的血管。还利用可变形卷积来捕捉血管图像中的局部结构信息,通过可变形卷积的非线性采样能力,能更好地捕捉血管图像中的局部结构信息,进一步提高血管分割的准确率和灵敏度。此外,为了提高模型的泛化能力,使用了Drop Block技术避免过拟合问题。本文在公开的眼底数据集上对改进的算法进行验证,在DRIVE数据集上准确率和灵敏度分别达到95.73%和80.79%,在STARE数据集上分别达到96.92%和81.87%,在CHASE DB1数据集上分别达到96.52%和81.34%。(2)为了更加精准地分割视网膜血管,提升算法识别微血管的能力,提出一种改进UNet++的模型。该模型设计了一种残差空间注意力卷积块来提高血管权重,使其在空间维度上更好地分割。通过空间注意力机制,可以将网络对图像的关注点更加集中于血管区域,并且利用残差结构来解决网络深度加深导致的梯度消失问题。为了进一步提高视网膜血管的分割精度,利用基于Softmax加权的Soft Pool池化方法来保留图像中的细节信息,这种池化方法能够更好地捕捉图像中的特征,从而提高分割结果的准确性。另外,在模型训练时,设计了一种损失函数来减少过拟合现象,平衡正负样本之间的数量差异避免过拟合问题,通过这种方式可以更加有效地训练模型。提出的基于UNet++改进的模型在DRIVE数据集上准确率和灵敏度分别达到95.76%和81.20%,在STARE数据集上分别达到97.05%和83.18%,在CHASE DB1数据集上分别达到96.55%和81.83%。实验结果显示,两种分割算法能够分割出更加精细、完整的血管结构,取得了比现有大多数算法更好的性能。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：毕设小屋 ，原文地址：https://m.bishedaima.com/lunwen/48579.html
