论文部分内容阅读
光学相干断层扫描(Optical coherence tomography,OCT)是一种具有无接触、非侵入、高分辨率层析等特点的扫描技术。目前OCT已经成为主要的眼科疾病诊断手段之一。然而,面临越来越多的OCT检查需求,眼科医师往往要在很短的时间内处理较为庞大的OCT图像数据,并做出诊断结果。这使得眼科诊断的人力成本大幅上升,患者病情也不能得到及时、有效的治疗。因此开发OCT视网膜病变图像分类工具极为重要。针对这个分类问题有两个关键的内容:特征提取和分类器设计。本文主要针对如何提取OCT图像有效的图像信息进行分类着手研究,以特征学习方法为突破点,以主成分分析网络(Principal Component Analysis Network,PCANet)和支持向量机(Support Vector Machine,SVM)等理论为基础,提出了基于特征学习的OCT视网膜病变图像分类技术。本文内容简要概括如下:1.基于PCANet特征学习的OCT视网膜病变图像分类技术。针对OCT图像特点,该分类方法首先对二维OCT横向扫描图像(B-scans)进行去噪、视网膜平滑及裁剪等预处理;接着采用PCANet特征提取方法从训练数据中进行特征学习提取图像特征;最后利用SVM对OCT横向扫描图像进行分类。2.基于3D-PCANet特征学习的3D-OCT视网膜病变图像分类技术。OCT图像是较大的3D图像数据,实现直接对整个3D-OCT图像分类对视网膜病变分析具有更加重要的意义。在OCT图像预处理之后,本方法在PCANet的基础上提出改进的3D-PCANet特征学习方法,从而直接获取3D-OCT图像更深层次、更有效的特征信息,然后结合基于组合核函数的SVM分类方法,实现对3D-OCT视网膜图像分类。3.OCT视网膜病变图像分类软件。本文在MATLAB 2014b编译环境中,利用GUI软件开发工具,实现了基于PCANet特征学习的OCT视网膜病变图像分类技术和基于3D-PCANet特征学习的3D-OCT视网膜病变图像分类技术的软件开发。本文在杜克大学和湖南中医药大学所采集的OCT图像数据上进行实验,从而验证所提方法的有效性。实验结果表明,本文所提出的基于特征学习方法能够提取OCT图像更加有效的特征信息,特别是改进的3D-PCANet特征学习方法在3D-OCT图像分类的问题上的优越性。