【摘 要】
：
视网膜血管,特别是微小血管的形态学变化在年龄相关性黄斑变性、糖尿病性视网膜病变和视网膜静脉阻塞等严重威胁人类视力的疾病早期诊断和临床预后中起着至关重要的作用。青光眼是一种常见的,致盲率高的眼科疾病,且造成的视力损伤通常不可逆,及早诊断和预防非常重要。杯盘比是用于早期诊断青光眼的的重要生物标志物之一。从眼底图像中准确分割出血管及视杯视盘,是对眼底视网膜结构进行监测、形态学分析,进而辅助诊断的关键步骤
论文部分内容阅读
视网膜血管,特别是微小血管的形态学变化在年龄相关性黄斑变性、糖尿病性视网膜病变和视网膜静脉阻塞等严重威胁人类视力的疾病早期诊断和临床预后中起着至关重要的作用。青光眼是一种常见的,致盲率高的眼科疾病,且造成的视力损伤通常不可逆,及早诊断和预防非常重要。杯盘比是用于早期诊断青光眼的的重要生物标志物之一。从眼底图像中准确分割出血管及视杯视盘,是对眼底视网膜结构进行监测、形态学分析,进而辅助诊断的关键步骤和前提,具有一定的理论研究价值与医学临床意义。论文研究基于深度学习的视网膜眼底图像分割方法,针对视网膜血管、视杯视盘的特性,设计了不同的分割模型。论文主要研究工作包括:（1）提出一种基于门控卷积边缘感知视网膜血管分割模型。在U-Net的基础编码器-解码器结构中引入新的边缘感知流使分割模型对血管的边缘细节更加敏感。模型包括语义分割流、边缘门控流和边缘下采样流,形成多任务训练;边缘门控流只关注边缘表示,利用从编码器路径中提取的特征来学习强调血管边缘,并输出边缘预测结果;边缘下采样流从边缘预测结果中提取边缘特征,并将其反馈到U-Net的解码器路径,以细化分割结果。论文在三个公共数据集:DRIVE,STARE,CHASE＿DB1上进行了实验对比,实验结果表明,本文提出的视网膜血管分割模型相比基线U-Net和其他先进分割模型,显着提高了微小血管的分割效果。（2）提出一种基于侧边多尺度输入和通道注意力的视杯视盘分割模型。在U-Net的编码器路径中添加侧边多尺度输入结构,将多尺度的输入信息分别集成融入到相对应的U-Net的编码器路径中,拓宽编码器路径的网络宽度;在U-Net的长连接处增加通道注意力模块,考虑了编码通道间的信息,同时还考虑了像素点的位置信息;添加将第一层编码器后得到的低层特征图传送给解码器路径各个层级的连接,增加整个解码器结构对低层次特征图的学习与敏感程度。论文在两个公共数据集:REFUGE、Drishti-GS1上进行了实验对比,实验结果表明,本文提出的视杯视盘分割模型在定性和定量上都表现出更好的分割性能。
其他文献
片上网络（Network-on-Chip,No C）作为新型通信架构,具备良好的可扩展性和并行性,可以满足片上日益增长的通信需求,已经成为片上多核系统事实上的标准。在片上网络的设计中,如何避免数据包路由死锁,是保障通信架构可靠性的核心问题。片上网络死锁避免领域的相关工作大都是在Dally的理论基础上发展起来的。该理论认为,如果网络的通道依赖图上没有循环依赖,网络就是无死锁的。然而,找到这样的无环图
片上网络（Network-on-Chip,NoC）现在广泛应用于多核系统当中。近几年,基于NoC的深度神经网络（Deep Neural Network,DNN）加速器被提出,它将神经元计算设备通过NoC相连。该设计能够有效地减少加速器对片外存储的访问,从而降低加速器的分类延迟和功耗。然而,在基于NoC的深度神经网络加速器当中存在着大量的一对多流量,传统的解决方式是使用单播方式传递多个相同的数据包副
雷达作为检测飞行目标的最主要手段,在飞行目标的研究中发挥着不可比拟的优势。由于多雷达融合系统的不断发展,传统的针对多传感器航迹关联和中断航迹关联的算法已经难以应对当前越来越复杂、越来越多样的雷达探测环境。为了更好地挖掘雷达航迹信息,利用航迹信息认知空间态势,从而为空域的监管提供有效的支持,本文基于深度学习技术,分别进行了多传感器航迹关联和中断航迹关联问题研究,主要研究内容如下:（1）提出了一种基于
多变量时间序列（MTS:multivariate time series）数据是多个变量在一段时间内按照一定时间间隔记录的观测值数据。MTS聚类可以在缺乏先验知识的情况下将样本划分成有意义的簇,是一种广泛应用于金融分析、流量预测、临床诊断等领域的关键技术。MTS具有模式复杂、时间顺序、变量之间存在相关性等特性,如何利用这些特性提升MTS聚类效果具有重大理论和应用价值。受图嵌入技术在各领域的优异表现
因果特征选择旨在学习类变量的马尔可夫毛毯（Markov blanket,MB）。类变量的MB意味着类变量和它的MB之间存在潜在的因果关系,以类变量的MB为条件,所有其它特征在概率上独立于该类变量,这使得因果特征选择能够识别潜在的因果特征用于特征选择,以构建健壮、可解释的预测模型,并且在理论上,类别变量的MB已经被证明是特征选择的最优特征子集。当前的因果特征选择算法主要处理没有缺失值的数据,然而缺失
隧道内行驶车辆的实时位置,无论对行驶的车辆自身还是对隧道车流量分析、隧道交通事故分析以及预警等都有重要的使用价值。但因为隧道环境容易遮挡GPS信号,故无法在隧道内获取到车辆的实时位置。解决这一问题的关键在于研制一套专用的隧道车辆定位系统。整个系统运行机制是,通过车载的Tag定位标签与隧道两旁部署的Anchor基站进行数据通信,进而通过相关的定位求解算法将数据汇总运算,最终求得车载Tag的实时位置信
视觉问答任务要求深入理解视觉和文本内容,从而获取关键信息以更好地回答问题。许多研究已经证实,改进多模态特征提取、对齐和融合以获得更准确和更丰富的全局特征,成为视觉问答任务的重要研究方向。该方向的核心是如何将提取到的图像特征及问题特征正确的对齐,从而提高视觉-文本语义对齐性。为了提升多模态特征的对齐性,本文对视觉问答的视觉-文本语义对齐算法展开研究。本文的主要工作如下:（1）目前大多数基于注意力机制
多标签分类旨在求解每个实例同时与多个类标签相关联的问题。然而,已有多标签分类方法大多利用统一特征表示的实例进行分类任务。由于每个标签都具有其自身特点,应为每个标签找寻其最相关、最有辨别力的特征即标签特定特征,用于该标签的分类。此外,实际应用中的训练数据常存在特征缺失的情况。因此,如何在特征缺失的环境下为每个标签抽取标签特定特征成为多标签分类方法研究的重要任务之一。为此,本文主要针对标签特定特征与特
区块链技术独有的去中心化、公开透明、集体维护、不可伪造、不可篡改等特性为构建价值互联平台提供了可能,区块链技术的研究与应用也逐渐被很多学者和科研人员重视,并呈现出爆发式增长态势,其中智能合约的产生是区块链历史上的一个里程碑式的事件。智能合约是部署在区块链网络上的代码,并以透明和去中心化的方式自动执行事务,一旦部署,智能合约不可更改,在合同执行过程中几乎没有任何补救措施可以用来处理代码错误。为了提高
遥感图像分类旨在为遥感图像贴上基于其内容的语义类别标签,其是遥感图像解译的重要手段,遥感图像在地质灾害监测与预警、土地利用及城市规划等方面具有重要的应用前景。随着遥感成像技术的进步,遥感图像的空间分辨率越来越高,所覆盖的类别也越来越多,且类别之间互相影响,因此准确地对遥感图像分类难度加大且导致分类性能下降,如何选择更加可靠有效的分类算法提升分类性能是当前热门研究问题。近几年来相对于传统的遥感图像分