基于眼底图像的糖尿病视网膜病变智能诊断

发布时间：2023-04-08 22:16

　　糖尿病视网膜病变是导致不可逆转性失明的主要因素之一,早期筛查和及时的诊治具有重要的意义。糖尿病视网膜病变诊断主要是根据眼底相机拍摄得到的彩色眼底图像判别患者的糖尿病视网膜病变程度。本文结合视网膜整幅图像的全局特征和不同类型病灶区域的局部特征实现疾病智能诊断,主要研究工作如下:针对不同严重程度的糖尿病视网膜病变图像之间差异十分微小且特征提取困难的问题,本文提出了基于残差-双线性网络的疾病诊断方法。通过引入双线性特征,设计了残差-双线性卷积神经网络以提取出眼底图像丰富的语义信息,使网络关注到具有辨别性的关键区域。基于传统残差块进行改进,避免部分重要特征信息丢失,通过双线性池化使不同通道之间的特征进行组合,获取高级语义特征。另外,针对部分小病灶无法在深层网络特征图上较好的表达的问题,提出多层级特征融合方法,形成了不同层级的上下文信息。通过在EyePACS公开数据集上实验对比分析,本文方法设计的网络在敏感度和Kappa系数上均有提升。针对目前主流的病灶检测算法中无法在一个统一的算法框架下实现同时提取不同类型病灶特征的问题,同时为了避免微小病灶被忽略,本文设计了基于图像块的病灶分类方法为疾病诊断...

【文章页数】：89 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第一章 绪论
    1.1 研究工作的背景与意义
    1.2 国内外研究现状
    1.3 研究内容
    1.4 章节安排
第二章 糖尿病视网膜病变疾病诊断方法综述
    2.1 引言
    2.2 糖尿病视网膜病变介绍
    2.3 眼底图像预处理方法
    2.4 糖尿病视网膜病变诊断方法
        2.4.1 基于传统机器学习的诊断方法
        2.4.2 基于深度学习的诊断方法
    2.5 本章小结
第三章 基于残差-双线性网络的疾病诊断方法
    3.1 引言
    3.2 糖尿病视网膜病变诊断问题描述
    3.3 残差-双线性卷积神经网络设计
        3.3.1 卷积神经网络作用层
        3.3.2 残差模块
        3.3.3 双线性特征提取
        3.3.4 残差-双线性卷积神经网络框架
    3.4 实验与分析
        3.4.1 实验数据与实验环境
        3.4.2 数据预处理
        3.4.3 评判标准与参数设置
        3.4.4 实验结果对比与分析
        3.4.5 实验结论
    3.5 本章小结
第四章 基于病灶特征融合的疾病诊断方法
    4.1 引言
    4.2 多尺度特征融合的病灶分类
        4.2.1 病灶分类问题描述
        4.2.2 病变图像块提取
        4.2.3 多尺度特征融合
        4.2.4 多尺度特征融合网络框架
    4.3 病灶特征融合的疾病诊断方法
        4.3.1 图像预处理和可疑病灶区域提取
        4.3.2 病灶特征融合网络框架
    4.4 实验与分析
        4.4.1 数据集与评判标准
        4.4.2 实验参数设置
        4.4.3 实验结果与分析
    4.5 本章小结
第五章 总结与展望
    5.1 本文总结
    5.2 未来展望
致谢
参考文献
攻读硕士学位期间取得的成果



本文编号：3786570