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。
融合多尺度空洞卷积的U-net视网膜血管图像分割方法研究
这是一篇关于血管分割,注意力机制,overlap-tile策略,DRIVE数据集,多尺度空洞卷积的论文, 主要内容为视网膜血管分割对于与视网膜相关疾病的诊断与治疗有重要的临床价值。由于视网膜图像的复杂性与多样性,对视网膜血管分割精度不足以及分割性能低等问题进行了研究,从而提出了一种融合多尺度空洞卷积、双注意力机制与基于编码-解码结构的U-net模型的视网膜血管图像分割方法。通过图片灰度化、限制对比度直方图均衡化、标准化与gamma校正的预处理操作提升血管与周围组织的对比度,采用重叠平铺(Overlap-tile策略)将图像分割成子块以增强数据量,在U-net模型的下采样过程中引进坐标注意力机制CA并在上采样过程中引进简易注意力机制Sim AM(a simple,parameter-free attention module),并在下采样过程与上采样过程之间引入多尺度空洞卷积,通过训练和学习构建网络模型,用训练好的网络模型对测试样本进行分割,得到视网膜血管图像分割结果,与其他视网膜血管图像分割方法相比均体现较好分割效果。在DRIVE(Digital Retinal Images for Vessel Extraction)数据集上进行实验的平均准确率结果为97.68%,平均灵敏度结果为80.62%,平均特异性结果为98.17%,AUC系数(接收者操作特征曲线ROC下与坐标轴围成的面积)为0.9824。实验结果表明此深度学习方法可以有效提高视网膜血管分割的精度与性能。本文所做的主要工作如下:(1)由于视网膜血管图像中的细小血管分割精度较低,在图像分割中会丢失部分信息。因此,本文采用以U-net网络模型为主体,引入了坐标注意力机制CA和简易注意力机制Sim AM,采用注意力机制可以在一定程度上提高网络模型的性能和视网膜血管图像的分割精度,有利于形成更清晰的视网膜图像。(2)由于U-net模型在下采样的过程中存在信息丢失和图像分辨率降低等问题。因此,本文采用在U-net模型的下采样过程与上采样过程之间引入多尺度空洞卷积,扩大了图像的感受野,提高了全局信息的远距离关联程度。(3)由于医学视网膜血管图像数据量较少,且U-net结构并非完全对称的结构,某一层特征图在经历下采样过程中加倍特征通道数后,再在之后的上采样过程中将特征通道数减半会改变其原来尺寸,与原来相比较小。因此,本文采用Overlap-tile策略搭配图像分块(patch),可以对任意大的图像进行分割,在预测边界区域的时候就为每个子块提供了上下文信息,由于视网膜血管图像数据量较少,因此每张图像都被分割成多个子块,可以起到数据增强的作用。该策略不需要缩放原图,所以任意位置的像素值不会改变,也不会产生缩放误差,可以更准确的预测图像信息,从而提高预测的精度。该论文有图25幅,表4个,参考文献50篇。
基于机器学习的眼底图像血管分割方法研究
这是一篇关于视网膜图像,血管分割,支持向量机,U形网络,Transformer的论文, 主要内容为视网膜器官中含有丰富的血管,有动脉、静脉和许多细小血管。许多眼科疾病及眼底相关疾病发生时,视网膜血管的形态会发生变化,如高血脂、肾病、糖尿病等,严重的会导致视网膜内层坏死而失明。眼科医生通过分析血管形态变化、出血等情况,为疾病的诊疗提供有效的辅助信息来源。因此,精确的视网膜血管自动分割对临床辅助诊断有着重要的意义。本文分析传统机器学习方法和深度学习方法的特点和优势,设计了不同机器学习原理的视网膜血管分割算法。在数据集DRIVE、STARE和CHASEDB1上进行实验和分析,结果表明基于机器学习的视网膜图像血管分割方法的有效性和鲁棒性,同时证明了机器学习算法本身性能对分割任务的影响和作用。针对具体任务,结合传统图像处理原理及计算机视觉方法可进一步提升方法性能。主要研究内容与创新工作总结如下:(1)针对视网膜图像血管结构复杂、细小血管众多而对比度低等难点问题,提出一种基于多尺度特征融合的视网膜血管分割方法。该方法采用了B-COSFIRE滤波器对视网膜图像进行图像增强,增强视网膜图像的血管结构,并以多分辨率的方式提取多尺度特征,保留更多的血管信息,提取更加全面的血管特征,增加细小血管分割的准确度。最后利用提取的特征向量训练SVM分类器实现视网膜血管分割任务。实验结果表明,采用B-COSFIRE方法增强图像特征可有效消除背景的噪声影响,进一步的消融实验验证了多尺度融合方法对视网膜血管分割性能提升上的有效性。(2)为了进一步解决视网膜图像中细小血管分割困难大、灵敏度低等问题,提出一种基于多模块融合U形网络的视网膜血管分割方法。该网络结构基于空间注意力U形网络结构进行改进,保留U-Net的三层基本结构,通过将空间注意模块、密集空洞卷积模块DAC和多核池化模块MKP进行融合,获取更丰富的上下文信息。密集空洞卷积模块通过不同扩张速率卷积的级联获得更大的感受野。多核池化模块利用不同尺度的池化操作,保留血管特征,减少特征映射的冗余信息和计算量,增加模型的鲁棒性。通过对比实验,验证了该模型在视网膜血管分割任务中的良好表现,提升了分割精确度和灵敏度指标。(3)为了探讨Transformer方法在视网膜血管分割任务中的应用和性能,提出一种基于Transformer结合CBAM注意力模型的分割方法,通过通道和空间多个维度提取血管特征,并且通过对比试验进行分析和讨论。
融合多尺度空洞卷积的U-net视网膜血管图像分割方法研究
这是一篇关于血管分割,注意力机制,overlap-tile策略,DRIVE数据集,多尺度空洞卷积的论文, 主要内容为视网膜血管分割对于与视网膜相关疾病的诊断与治疗有重要的临床价值。由于视网膜图像的复杂性与多样性,对视网膜血管分割精度不足以及分割性能低等问题进行了研究,从而提出了一种融合多尺度空洞卷积、双注意力机制与基于编码-解码结构的U-net模型的视网膜血管图像分割方法。通过图片灰度化、限制对比度直方图均衡化、标准化与gamma校正的预处理操作提升血管与周围组织的对比度,采用重叠平铺(Overlap-tile策略)将图像分割成子块以增强数据量,在U-net模型的下采样过程中引进坐标注意力机制CA并在上采样过程中引进简易注意力机制Sim AM(a simple,parameter-free attention module),并在下采样过程与上采样过程之间引入多尺度空洞卷积,通过训练和学习构建网络模型,用训练好的网络模型对测试样本进行分割,得到视网膜血管图像分割结果,与其他视网膜血管图像分割方法相比均体现较好分割效果。在DRIVE(Digital Retinal Images for Vessel Extraction)数据集上进行实验的平均准确率结果为97.68%,平均灵敏度结果为80.62%,平均特异性结果为98.17%,AUC系数(接收者操作特征曲线ROC下与坐标轴围成的面积)为0.9824。实验结果表明此深度学习方法可以有效提高视网膜血管分割的精度与性能。本文所做的主要工作如下:(1)由于视网膜血管图像中的细小血管分割精度较低,在图像分割中会丢失部分信息。因此,本文采用以U-net网络模型为主体,引入了坐标注意力机制CA和简易注意力机制Sim AM,采用注意力机制可以在一定程度上提高网络模型的性能和视网膜血管图像的分割精度,有利于形成更清晰的视网膜图像。(2)由于U-net模型在下采样的过程中存在信息丢失和图像分辨率降低等问题。因此,本文采用在U-net模型的下采样过程与上采样过程之间引入多尺度空洞卷积,扩大了图像的感受野,提高了全局信息的远距离关联程度。(3)由于医学视网膜血管图像数据量较少,且U-net结构并非完全对称的结构,某一层特征图在经历下采样过程中加倍特征通道数后,再在之后的上采样过程中将特征通道数减半会改变其原来尺寸,与原来相比较小。因此,本文采用Overlap-tile策略搭配图像分块(patch),可以对任意大的图像进行分割,在预测边界区域的时候就为每个子块提供了上下文信息,由于视网膜血管图像数据量较少,因此每张图像都被分割成多个子块,可以起到数据增强的作用。该策略不需要缩放原图,所以任意位置的像素值不会改变,也不会产生缩放误差,可以更准确的预测图像信息,从而提高预测的精度。该论文有图25幅,表4个,参考文献50篇。
基于机器学习的眼底图像血管分割方法研究
这是一篇关于视网膜图像,血管分割,支持向量机,U形网络,Transformer的论文, 主要内容为视网膜器官中含有丰富的血管,有动脉、静脉和许多细小血管。许多眼科疾病及眼底相关疾病发生时,视网膜血管的形态会发生变化,如高血脂、肾病、糖尿病等,严重的会导致视网膜内层坏死而失明。眼科医生通过分析血管形态变化、出血等情况,为疾病的诊疗提供有效的辅助信息来源。因此,精确的视网膜血管自动分割对临床辅助诊断有着重要的意义。本文分析传统机器学习方法和深度学习方法的特点和优势,设计了不同机器学习原理的视网膜血管分割算法。在数据集DRIVE、STARE和CHASEDB1上进行实验和分析,结果表明基于机器学习的视网膜图像血管分割方法的有效性和鲁棒性,同时证明了机器学习算法本身性能对分割任务的影响和作用。针对具体任务,结合传统图像处理原理及计算机视觉方法可进一步提升方法性能。主要研究内容与创新工作总结如下:(1)针对视网膜图像血管结构复杂、细小血管众多而对比度低等难点问题,提出一种基于多尺度特征融合的视网膜血管分割方法。该方法采用了B-COSFIRE滤波器对视网膜图像进行图像增强,增强视网膜图像的血管结构,并以多分辨率的方式提取多尺度特征,保留更多的血管信息,提取更加全面的血管特征,增加细小血管分割的准确度。最后利用提取的特征向量训练SVM分类器实现视网膜血管分割任务。实验结果表明,采用B-COSFIRE方法增强图像特征可有效消除背景的噪声影响,进一步的消融实验验证了多尺度融合方法对视网膜血管分割性能提升上的有效性。(2)为了进一步解决视网膜图像中细小血管分割困难大、灵敏度低等问题,提出一种基于多模块融合U形网络的视网膜血管分割方法。该网络结构基于空间注意力U形网络结构进行改进,保留U-Net的三层基本结构,通过将空间注意模块、密集空洞卷积模块DAC和多核池化模块MKP进行融合,获取更丰富的上下文信息。密集空洞卷积模块通过不同扩张速率卷积的级联获得更大的感受野。多核池化模块利用不同尺度的池化操作,保留血管特征,减少特征映射的冗余信息和计算量,增加模型的鲁棒性。通过对比实验,验证了该模型在视网膜血管分割任务中的良好表现,提升了分割精确度和灵敏度指标。(3)为了探讨Transformer方法在视网膜血管分割任务中的应用和性能,提出一种基于Transformer结合CBAM注意力模型的分割方法,通过通道和空间多个维度提取血管特征,并且通过对比试验进行分析和讨论。
基于机器学习的眼底图像血管分割方法研究
这是一篇关于视网膜图像,血管分割,支持向量机,U形网络,Transformer的论文, 主要内容为视网膜器官中含有丰富的血管,有动脉、静脉和许多细小血管。许多眼科疾病及眼底相关疾病发生时,视网膜血管的形态会发生变化,如高血脂、肾病、糖尿病等,严重的会导致视网膜内层坏死而失明。眼科医生通过分析血管形态变化、出血等情况,为疾病的诊疗提供有效的辅助信息来源。因此,精确的视网膜血管自动分割对临床辅助诊断有着重要的意义。本文分析传统机器学习方法和深度学习方法的特点和优势,设计了不同机器学习原理的视网膜血管分割算法。在数据集DRIVE、STARE和CHASEDB1上进行实验和分析,结果表明基于机器学习的视网膜图像血管分割方法的有效性和鲁棒性,同时证明了机器学习算法本身性能对分割任务的影响和作用。针对具体任务,结合传统图像处理原理及计算机视觉方法可进一步提升方法性能。主要研究内容与创新工作总结如下:(1)针对视网膜图像血管结构复杂、细小血管众多而对比度低等难点问题,提出一种基于多尺度特征融合的视网膜血管分割方法。该方法采用了B-COSFIRE滤波器对视网膜图像进行图像增强,增强视网膜图像的血管结构,并以多分辨率的方式提取多尺度特征,保留更多的血管信息,提取更加全面的血管特征,增加细小血管分割的准确度。最后利用提取的特征向量训练SVM分类器实现视网膜血管分割任务。实验结果表明,采用B-COSFIRE方法增强图像特征可有效消除背景的噪声影响,进一步的消融实验验证了多尺度融合方法对视网膜血管分割性能提升上的有效性。(2)为了进一步解决视网膜图像中细小血管分割困难大、灵敏度低等问题,提出一种基于多模块融合U形网络的视网膜血管分割方法。该网络结构基于空间注意力U形网络结构进行改进,保留U-Net的三层基本结构,通过将空间注意模块、密集空洞卷积模块DAC和多核池化模块MKP进行融合,获取更丰富的上下文信息。密集空洞卷积模块通过不同扩张速率卷积的级联获得更大的感受野。多核池化模块利用不同尺度的池化操作,保留血管特征,减少特征映射的冗余信息和计算量,增加模型的鲁棒性。通过对比实验,验证了该模型在视网膜血管分割任务中的良好表现,提升了分割精确度和灵敏度指标。(3)为了探讨Transformer方法在视网膜血管分割任务中的应用和性能,提出一种基于Transformer结合CBAM注意力模型的分割方法,通过通道和空间多个维度提取血管特征,并且通过对比试验进行分析和讨论。
基于改进U型网络的视网膜血管分割方法研究
这是一篇关于深度学习,血管分割,注意力模块,可变形卷积,循环残差卷积的论文, 主要内容为在彩色视网膜图像中,血管的脉络结构表现出从视盘的中心向视场边界辐射延展的状态,血管类别在通过分叉和交叉点后没有出现变化,但血管末梢的宽度会变窄、亮度会变暗、中心光反射会变暗甚至消失,特别在接近视场轮廓区域,以上特征的差异性将会逐渐变小,难以追踪。针对视网膜血管以上特点,本文提出基于改进U型网络的视网膜血管分割方法研究,设计了两种不同的网络模型,并在公开数据集DRIVE和CHASE上进行了大量的实验,实验结果显示两种网络模型有效的完成了分割任务,并且达到了较好的分割效果。本文的主要工作包括:(1)介绍了视网膜血管分割方面的理论知识,包含数据集、图像预处理方法和评价标准等方面的介绍。详细阐述了深度学习算法中经典模型的原理方法,重点分析了语义级别的分割模型U-Net网络的优点及不足之处。(2)提出了基于改进U-Net的视网膜血管分割方法RRDU-Net模型。针对卷积操作时卷积核的感受野范围不足导致无法充分提取血管特征的问题,通过将原始卷积层转换成可变形卷积模块,该模块组合了更多尺度形态的分支,增强对特征图的识别效率,增大卷积核的感受野范围,进而提升血管特征提取的效果;针对采样操作时产生的梯度消失问题,在网络上采样的过程引入循环残差卷积模块,有助于训练深层网络架构,解决梯度消失问题,避免冗余特征影响。在DRIVE数据集上进行实验,得到的数据结果为准确性95.59%,特异性97.92%,灵敏性为79.63%,实验数据表明RRDU-Net模型更好的提取眼底图像特征,取得了较好的分割性能。(3)提出了一种基于注意力机制的视网膜血管分割方法。U-Net网络存在信息流传输路径和编码-解码器数量较少问题,本文方法将两个U-Net网络串联起来,提出CSU-Net网络模型,引入通道注意力模块与选择性卷积核模块,增强血管之间的通道信息联系,生成动态的卷积核,重新分配共享参数与卷积核的权重,达到增强血管分割的目的。在DRIVE数据集上进行训练,得到的准确率、灵敏度和特异性分别为95.61%、78.55%和98.10%;在CHASE数据集上得到的准确率、灵敏度和特异性分别为96.56%、79.67%和98.06%,实验结果表明本文算法可以有效地分割视网膜血管。
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：毕设工坊 ，原文地址：https://m.bishedaima.com/lunwen/53474.html
