论文部分内容阅读
真菌性角膜炎是一种角膜病变,由致病真菌感染角膜导致。真菌性角膜炎初期症状不明显、易混淆,若缺乏早期诊断与治疗,极易造成严重的并发症,甚至致盲。现有的临床诊断方法大多效果良好,但均有一定不足之处。其中,共焦显微镜是一种新型、无创的活体检查仪器,它能获取活体结构的高分辨率医学断层扫描图像,患者接受度高且阳性率好,但确诊依赖于医生的主观判断。在此背景下,本文对基于共焦显微镜图像的真菌性角膜炎诊断算法进行研究,通过图像识别技术实现共焦显微镜图像的高精度自动识别,为医生提供精准可靠的诊断信息。本文的研究难点在于对正常图像与异常图像中的关键结构进行区分。正常角膜图像可见角膜神经纤维、基质层等结构;感染真菌性角膜炎的异常角膜图像中,背景杂乱,可见各式真菌菌丝、孢子等结构。本文重点针对传统机器学习和深度学习两类算法的进行研究与实验,并在此基础上,针对角膜共焦显微镜图像特点,提出了“数据增广+图像融合”思路,对传统算法进行了一定改进,得到了具针对性、综合性能更好的算法框架,本文的主要工作和成果有:(1)在基于传统机器学习的真菌性角膜炎诊断算法研究中,本文确定了“特征提取+分类识别”的算法框架。针对特征提取算法,选用GLCM、PCA、2DPCA、MBP算法进行介绍与实验;并且,本文基于MBP、AMBP,改进并提出了更具鲁棒性、更适合本课题图像的ARBP算法。针对分类识别算法,选用KNN、LR、SVM算法进行介绍与实验。实验结果显示,传统机器学习方法在本课题中表现良好,ARBP为最佳特征提取方法,SVM为最佳分类识别方法,ARBP+SVM以98.24%取得了最高诊断准确率。但由于正负样本不均衡,具有特异性受限的缺点。(2)在基于CNN的真菌性角膜炎诊断算法研究中,本文对近年屡获突破的深度学习与CNN进行理论概述,且针对本课题图像特点,选用了三个经典的CNN网络进行介绍与实验,包括AlexNet、VGGNet和GoogLeNet。实验结果显示,三种CNN网络实现了对传统机器学习诊断效果的突破,并且克服传统机器学习算法特异性受限的缺点。三种网络中,22层的GoogleNet性能最好,达到99.73%的诊断准确率;8层AlexNet诊断准确率为99.35%,性能稍弱,但模型简单、训练速度快;16层VGG16由于网络参数量大、数据量小,诊断准确率为99.14%,性能最弱。(3)为追求医学领域精益求精的要求,本文提出“数据增广+图像融合”思路以探寻更契合本课题图像、性能更加优越的算法框架。首先,通过翻转方式对正常图像进行增广,以解决数据量有限、正负样本分布不均问题;其次,提出SCS算法进行图像预处理,以突出图像关键结构,滤除无关信息;再次,分别采用MF、HMF算法将SCS增强图像与原始图像进行融合,形成新型算法框架与数据集;最后,分别将传统机器学习算法框架和深度学习网络融入新型算法框架,进行实验。实验结果显示,两种新型算法框架使传统机器学习算法、AlexNet和VGG16的算法性能均有不同程度的提高,且基于HMF的新型框架更胜一筹。最终,“数据增广+HMF+AlexNet”以99.95%的诊断准确率,实现了诊断效果与计算复杂度的完美权衡,成为基于共焦显微镜图像的真菌性角膜炎诊断算法中综合性能最高的算法框架。