检索历史 清除

摘要青光眼是一种由眼压增大而导致视神经衰退，从而形成视力退化的眼科疾病。通常，青光眼的诊断以视盘、视杯和视神经纤维层等特征的变化为判断依据。青光眼特征的准确提取对大规模的青光眼筛查和视力的保护具有重要的意义。<br>　　目前已有一些分割视盘、视杯和视神经纤维层缺损的方法被提出。这些方法主要由基于手工特征的传统方法和深度学习方法构成。针对于眼底照数据集，虽然经典的深度学习方法提取特征的精度高于传统方法，但经典的深度学习方法还存在泛化性能弱和容易受到不平衡数据影响等问题。本文针对以上问题，对视盘视杯分割和视神经纤维层缺损分割问题做了详细的研究和分析，并且利用这三种特征的特点，基于深度学习提出了新的网络模块和学习策略，提升了模型的泛化性能和分割精度。<br>　　本文的研究包含以下两个部分:<br>　　针对视盘和视杯的分割，本文首先设计了一个具有多尺度输入和多核模块的U型卷积神经网络。多尺度输入和多核模块为卷积神经网络提供了丰富的感受野，同时能有效地提取多尺度特征。此外，本文也设计了一种混合的最大误差最小化的学习策略用于训练多尺度多核网络。该学习策略可以通过损失的大小对样本进行排序，并通过数据增强的方式对损失大的样本进行加权，从而有效地提升了模型的预测精度和模型的泛化性能。实验表明该方法在RIM-ONE-V3和DRISHTI-GS公开数据集上能够获得高精度的视盘和视杯分割结果。同时，该方法在RIM-ONE-V3和DRISHTI-GS数据集上也获得了较好的青光眼筛查结果。<br>　　针对视神经纤维层缺损分割，本文又提出了一种基于条件对抗网络的CASU-Net框架，它由一个新颖的生成器和一个判别器构成。针对于生成器的损失，一个混合的损失函数被提出，这个损失包括自适应加权损失和条件对抗损失。本文设计的自适应加权分割损失可以有效平衡目标区域和背景区域的分割精度，并且能够自动地关注困难样本，从而保证了所有眼底图像分割精度能一致提升。对抗损失不仅有助于提高像素分割的准确性，而且能够使得分割的视神经纤维层缺损的几何形状更接近医生的感知。本文设计的CASU-Net在视纤维层缺损数据集上进行了验证，实验结果表明CASU-Net在视神经纤维层缺损数据集上分割精度高和模型泛化性能强。