9篇关于眼底图像的计算机毕业论文

今天分享的是关于眼底图像的9篇计算机毕业论文范文, 如果你的论文涉及到眼底图像等主题,本文能够帮助到你

条件约束下视杯与视盘联合分割及在青光眼辅助诊断中的应用

这是一篇关于眼底图像,多目标分割,杯盘比,域适应,青光眼筛查的论文, 主要内容为青光眼是一种常见的眼病,指眼内压升高导致视网膜和视盘组织损伤,进而可能导致视力减退甚至失明。由于青光眼引起的视力丧失无法逆转,进行青光眼的早期筛查对于早期治疗以保持视力和维持生活质量至关重要。在青光眼的诊断中,杯盘比起着重要辅助诊断作用,而准确地分割眼底图像中视盘和视杯是计算杯盘比的基本任务。因此,研究高效率、高鲁棒性和高精度的视盘和视杯分割算法在青光眼辅助诊断中具有重要的实际应用价值。针对眼底图像视盘和视杯分割中错分割及误分割等问题、多中心和多站点存在数据异质问题和杯盘比在青光眼筛查中的应用等问题,本文开展了基于深度学习、域适应及应用平台构建等方面的研究工作,创新性工作和具体研究内容阐述如下:(1)针对眼底图像数据集质量不稳定及视杯视盘界限模糊导致错分割和误分割等问题,提出一种位置先验约束的视盘视杯层次联合分割方法。该方法结合位置先验约束和多路聚合网络构建一个从粗到精的分割框架,实现准确鲁棒的视盘和视杯联合分割。粗分割阶段,通过多路聚合网络单独分割获取视杯和视盘初步分割结果而得到位置约束信息;精分割阶段,利用粗分割结果提取自动上下文特征构建位置约束信息进行视杯视盘联合分割,提高分割精度。在三个公共数据集上,通过对比实验和消融实验,验证了提出方法的有效性及在视盘视杯分割任务中的良好表现。(2)为了拓展算法的应用性及解决不同站点获得的眼底图像数据之间存在的域偏移问题,提出一种嵌套U-Net结合域对抗网络的无监督视盘视杯联合分割方法。该方法利用对抗思想结合目标数据先验特征信息生成与目标数据集相似的数据,使模型能够适应不同站点数据的特征。该框架包含生成器模块、判别器模块和分割模块,以U-Net结构捕捉图像的上下文信息,使用嵌套网络来提高分割精度。通过对比实验和消融实验,证明了该方法能有效降低域偏移的影响,并在不同数据集之间的偏移实验中都取得了比较好的分割性能。(3)为了探究提出方法在青光眼筛查中的应用性和可靠性,通过计算杯盘比(CDR)进行青光眼筛查的验证和测试,并设计和开发了青光眼在线筛查平台。该平台使用前后端分离架构,用户在前端上传眼底图像后,后端利用训练好的模型进行视盘和视杯的自动分割,得到分割结果并计算CDR,通过CDR完成青光眼筛查。验证和测试结果表明提出的两种方法在青光眼筛查应用中的优势。

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。

基于深度学习的病理性近视辅助诊断技术研究

这是一篇关于深度学习,眼底图像,病理性近视,血管分割,图像识别的论文, 主要内容为病理性近视是近视中一种极为严重的情况,其发病率在近年来不断上升,且高发人群的年龄在逐渐下降,这对人类的眼健康造成了很大威胁。传统的病理性近视临床诊断需要医生凭借个人经验与专业知识来完成判断。然而这种方式不仅诊断效率有限,也存在出现主观误差的风险。同时,在眼科医生相对匮乏的地区,患者很有可能无法得到及时的诊断与治疗,这将对患者的康复造成很大影响。在病理性近视的诊断中,眼底图像是最为关键的依据,视盘、视网膜、脉络膜等眼底结构中出现的病变特征都会清晰的呈现其中。同时,眼底血管也是重要的诊断依据,其形态信息可以展示病变的性质与程度,有助于医生的诊断决策。随着计算机与医疗交叉学科的发展,基于深度学习的辅助诊断技术展示出了巨大的潜力。据此,本文首先针对眼底图像处理方法进行了研究,旨在提高后续研究中眼底图像数据集的质量,之后对眼底图像血管分割、病理性近视眼底图像识别进行了研究,总体研究内容如下:(1)眼底图像处理方法研究。针对眼底图像质量参差不齐,且传统眼底图像预处理过程中没有专门的去噪处理这一问题,本文提出一种眼底图像处理方法。该方法将对比度受限的自适应直方图均衡(CLAHE)与去噪神经网络(Dn CNN)进行结合,并优化了Dn CNN的网络层数、激活函数以及边缘填充方法,以适应眼底图像去噪任务的特点。实验数据采用Kaggle网站提供的1000张眼底图像数据集,结果证明该方法能够有效增强眼底图像的对比度并降低噪声水平,可以应用于后续的眼底图像分析工作。(2)眼底图像血管分割方法研究。针对现有眼底图像血管分割方法中细小血管和血管末梢分割不准确的问题,本文提出一种基于改进U-net的血管分割方法。该方法在U-net基础上构建了Dconv Block和Block结构块,其中Dconv Block引入了可变形卷积与通道注意力,在下采样阶段进行特征提取时可以更加关注血管信息。同时,将批量归一化层用于Dconv Block和Block中,提高了模型的稳定性。另外,使用Soft Pool替换原有模型的池化方法,减少了下采样过程中的信息损失。实验数据采用DRIVE数据集,结果显示改进模型精度提升0.56%,说明其拥有更好的分割性能。(3)病理性近视眼底图像识别方法研究。针对现有识别方法整体精度不高且对正样本敏感度较低的问题,本文提出一种基于改进Efficient Net V2-S模型的识别方法。该方法对原模型中的卷积核数量与网络层数进行改动,使二者数量更加平衡;并且将原模型中的SE注意力更换为ECA注意力,使注意力权值的计算更加精准。同时,为了避免模型陷入局部最优解并使模型更快收敛,改用Adam优化器作为模型的优化方法。实验采用i Challenge-PM+ODIR数据集,结果显示改进模型精度提升0.74%,证明该方法能够准确地识别病理性近视眼底图像。综上所述,本文以深度学习为基础,对病理性近视的辅助诊断技术进行了研究,针对现有问题提出了三种改进办法分别用于眼底图像处理、眼底图像血管分割、病理性近视眼底图像识别。通过对眼底图像进行深入分析,这些方法能够有效地提升病理性近视的诊断效率与准确率。

基于嵌入式的便携式青光眼筛查系统设计

这是一篇关于眼底图像,青光眼筛查,深度学习,结构重参数化算法的论文, 主要内容为青光眼是不可逆致盲的主要原因之一,该疾病在早期一般没有明显症状,很多患者直到晚期才被确诊,导致治疗被耽误。现有的青光眼筛查方案需要耗费大量的人力物力,大范围的筛查工作难以开展。针对这一难题,本文设计了一种基于嵌入式的便携式青光眼筛查系统,并将深度学习算法与嵌入式技术有机结合,实现了青光眼的便携式自动筛查功能。具体的研究内容如下:首先,结合青光眼筛查的特点及需求,对系统的功能及涉及到的技术进行了分析,确定了系统的两大主要功能——青光眼筛查功能以及随访与监测功能,制定了技术方案。其次,提出了一种基于眼底图像的青光眼筛查算法,设计了由若干个感受野逐渐递减的多分支网络块堆叠而成的网络模型Trap Net,这种结构一方面能够最大限度地提取多尺度特征,以提升特征的利用率,另一方面能够避免因网络层数的加深而导致的细节特征丢失。为了提升算法在嵌入式设备上的推理性能,为Trap Net扩充了结构重参数化算法,用扩充过的结构重参数化算法解耦模型的训练与推理,将训练完成后的多分支训练模型参数等效变换为单路的推理模型。将Trap Net网络模型在OIA-ODIR数据集上进行了对比实验验证了算法的优越性。最后,完成了便携式眼底相机系统的硬件选型及软件实现,移植了MNN推理平台,将模型部署到便携式眼底相机系统上,实现了青光眼筛查功能。搭建了基于微服务架构的后台服务系统,通过Docker技术将系统部署到了云服务器上,在后台服务系统中还利用了云计算技术将患者的病情进展量化为杯盘比数据的变化,实现了随访与监测功能。

基于Bridge-net的眼底图像视网膜血管分割研究

这是一篇关于眼底图像,视网膜血管分割,循环神经网络,交叉熵损失函数的论文, 主要内容为近年来一些眼科疾病因可导致不可逆失明而受到了全球范围的关注。这些眼科疾病在影响人体生理机能的同时也会破坏眼底血管形态的稳定性和规律性。因此,通过眼底图像视网膜血管形态测量可有效辅助眼科疾病的诊断,其中精确而有效的视网膜血管分割是血管形态测量的关键,是开展眼底图像辅助诊断的前提。人工分割耗时费力,也鼓励了专家和学者在视网膜血管自动分割任务上做出尝试。其中,基于块的深度学习方法的应用日益广泛。然而,对于目标区域,大部分基于块的方法都只使用一个与之重合的块来进行描述,忽视了目标区域的上下文信息对分割的影响。为了克服上述不足,本文采用深度学习方法深入开展视网膜血管分割研究。主要工作包括:(1)为了有效地利用目标区域的上下文信息,本文提出一个名为bridge-net的新型网络结构用以捕捉视网膜血管的上下文信息。对于每个目标区域,bridge-net均提取了两个有包含关系的同心块分别表示对目标区域包括和不包括其上下文信息的两组描述。这两个块构成一个输入序列,输入到一个卷积神经网络(Convolutional Neural Network,CNN)结构中,对应地生成包含和不包含上下文信息的特征。接着,bridge-net使用了一个循环神经网络结构(Recurrent Neural Network,RNN),通过融合经卷积神经网络得到的两组特征来传递目标区域的上下文信息,使目标区域中的血管分割更精确。(2)考虑到在粗血管集中区域与细血管集中区域,血管的分割难度不同,本文设计了一个块分类算法把提取的块进行分类,并提出了基于块分类的损失函数映射,根据块的类别缓解血管与背景之间的不均衡,使权重的分配更有针对性。(3)我们在STARE、DRIVE和CHASEDB1三个血管形态有较大差异的公开数据集上进行了实验。实验结果表明,bridge-net能有效利用上下文信息,使分割更加精确,且使用基于块的损失权值能进一步提升分割结果。同时,bridge-net在这三个数据集上的分割结果差异较小,即网络的分割结果受数据集的影响较小,分割效果较为稳定。与现有分割方法相比,bridge-net的分割结果优于大部分最新方法,且在效果稳定的方法中,bridge-net的综合性指标AUC为当前最优。

基于深度残差网络的眼底图像多疾病分类方法研究

这是一篇关于眼底图像,图像增强,病灶特征,深度残差网络,多疾病分类的论文, 主要内容为眼底图像可以反映一些病灶特征,这些病灶特征成为了眼科医生判断患者所患眼底疾病的重要依据。在眼底图像的采集过程中,患者眼球的不自主转动、光照的不均匀以及眼底相机的自主性抖动都有可能导致采集的眼底图像质量较差,难以分辨出病灶特征。本文致力于帮助医生准确地筛查与诊断眼底疾病,以及对患者的眼底图像进行精确的处理和实现眼部多疾病的自动诊断。研究内容主要包括:(1)提出了基于HSL色彩空间的Retinex-Net图像增强算法,用以解决眼底图像存在的光照不均匀、对比度低、模糊等问题,称为HSLex-Net。将RGB图像转换为HSL颜色空间,针对亮度分量,采用Retinex-Net算法消除光照变化的影响,提高图像亮度、对比度和细节。根据Retinex理论对低光照眼底图像的L通道光照分量与正常光眼底图像的L通道光照分量重建损失函数,同时利用交叉熵损失函数优化重建后的图像。在Diaretdb和LOL数据集上进行的验证表明灰度均值、全局均值、平均梯度分别达到了91.625、82.528、25.426。(2)采用基于独特性和紧凑性的联合显著特征提取方法提取病灶特征,提高深度残差网络对眼底图像的分类性能。由于异常病灶特征和周围正常组织存在较大的区别,因此利用病灶特征的独特性和紧凑性特点,对病灶特征的轮廓进行了精确提取。随后将提取的病灶轮廓作为分类网络的约束条件与眼底图像一同作为分类网络模型训练时的输入,进而提高分类性能。(3)提出了基于改进Res Net模型的眼底图像多疾病分类方法。在增强图像基础上,融合病灶轮廓图作为Res Net的输入,采用了多分支结构对疾病种类进行分类。在Res Net的残差块内部、全局池化层之后、不同残差块之间使用注意力机制。采用平均融合方式,提高分类准确率。实验结果表明,Pool＿Attention模型的准确率为0.751,AUC为0.905,F1-score为0.904,Jaccard指数为0.685。M＿Res Net50模型和Pool＿Attention模型的融合提高了分类精度,模型融合的准确率为0.779,AUC为0.913,F1-score为0.905,Jaccard指数为0.702。本文提出的基于HSL色彩空间的Retinex-Net增强算法在清晰度和亮度的提升、噪声的抑制方面均优于其他比较方法。联合显著性特征提取方法提取的病灶特征辅助了分类网络识别病灶特征。改进Res Net的眼底图像多疾病分类方法在分类准确率、鲁棒性方面均占据了较大的优势,对临床医生的诊断具有一定的辅助作用。

智能疾病诊断与预测系统的研究与实现

这是一篇关于医疗数据,卷积神经网络,注意力机制,出生缺陷,眼底图像的论文, 主要内容为随着计算机相关技术的迅速发展,医疗领域开始广泛运用计算机相关技术来提高医疗服务水平,包括医疗信息管理、临床疾病辅助诊断等。此外,医疗信息化的快速发展,使得医疗信息系统中积累了大量的医疗数据。深度学习算法能从大量的数据中学习出数据的抽象特征,这些特征可以用作对目标进行分类和识别,其有效性已在很多实际应用中得到验证,其中不乏在医学方面的应用。如何将深度学习方法应用于医疗数据,建立分析模型,是当前医疗数据分析的热点。本文主要学习和研究了深度学习理论在医疗领域方面的应用,根据不同类型的医疗数据及任务需求,设计并训练了不同的深度学习网络模型,同时基于模型实现疾病预测和诊断系统原型。主要工作如下:首先探索了卷积神经网络在一维结构化新生儿出生缺陷数据集上的分类预测应用。出生缺陷是在胎儿时期就发生的身体结构、功能或代谢的异常情况,严重影响新生儿生存及生活质量。目前我国应对出生缺陷的方式还只有一些预防性措施,对导致胎儿患出生缺陷因素的研究还不是很多。论文针对一维结构化出生缺陷数据,设计并训练了一维结构的卷积神经网络,建立常见的四种出生缺陷疾病的预测模型。实验结果显示该预测模型有着较高的预测准确率,具有一定的实用价值。其次针对二维眼底图像探索了卷积神经网络在多标签数据集上多分类的应用问题。眼部疾病的诊断主要依赖眼底图像。目前用来诊断单一眼部疾病的眼底图像分类模型研究已取得众多成果,但对同时患多种眼部疾病的眼底图像进行多分类模型的研究还处于起步阶段。因而本文设计了一种基于经典卷积神经网络VGG网络的眼部疾病诊断网络,该网络中融合了年龄性别信息模块以及注意力机制模块,训练得到的模型能同时对多种眼部疾病进行分类。实验结果显示该模型对常见的几种眼部疾病具有良好的分类正确率,并且年龄性别信息模块以及注意力机制模块的加入对模型的分类正确率也有明显的提高。基于上述两部分的成果,本文设计并实现了智能疾病诊断系统的原型,该系统基于B/S架构开发,包括了出生缺陷预测及眼部疾病诊断两个业务。用户通过手机或者电脑上的浏览器就可以登录系统页面进行操作,整个智能疾病诊断系统界面简洁,操作方便,具有一定的应用推广前景。