基于深度学习的彩色眼底图像视杯分割方法研究-论文-万方医学网

基于深度学习的彩色眼底图像视杯分割方法研究

二维码有效期 120s

收藏纠错

摘要青光眼是一种由于眼内压过高导致眼视神经损害的视神经性疾病，其发生一般伴随着视杯、视盘以及视神经纤维层的改变，因此准确测量视杯各项参数是检测青光眼的重要指标，对青光眼的早期筛查、抑制病情发展具有重要的临床意义。而视杯的准确分割对测量视杯参数至关重要。<br>　　本文首先研究了基于传统图像处理技术FCM聚类的视杯分割方法，结合视杯周围血管在视杯边缘弯折的特征校正视杯位置，得到了较好的视杯分割结果。但是使用传统图像处理技术的视杯分割方法需要人工设计特征，过程复杂，鲁棒性不高。<br>　　深度学习技术弥补了传统视杯分割方法的上述不足。深度学习本质上是神经网络的拓展，目前在语音识别、目标检测、语义分割等诸多人工智能领域都取得了突破性进展。基于深度学习的图像语义分割的主要思路是:使用像素级标注的图像，利用上采样、反卷积等特殊层，将普通卷积网络提取到的特征再还原回原图像尺寸，从而实现一种端到端的学习。本文在借鉴已有网络的基础上，提出了一种Seg-ResNet的网络新架构，新架构以残差网络结构为主体，引入通道加权结构以学习的方式自动调整特征通道的依赖关系，实现特征通道权重的重新标定。然后将加权后的底层特征与高层特征进行融合，用以提升网络性能。结合迁移学习的训练策略，在加快网络收敛速度的同时提高分割精度。通过对GlaucomaRepo和Drishti-GS眼底图像数据库进行测试，证明了本文基于深度学习视杯分割方法的鲁棒性和有效性。