【摘 要】
:
眼底图像中的视网膜血管是人体重要的反射区,可以根据视网膜血管的病变程度,了解其他部位的疾病。随着深度学习人工智能技术的发展,计算机技术辅助医疗疾病的诊断已成为一种趋势。本文对图像分割以及视网膜血管分割的国内外现状进行了深入的总结,介绍了深度学习视网膜血管分割相关的理论知识。目前视网膜血管分割方法还存着分割准确率不高、灵敏度较差、错误识别分割区域等问题。针对这些问题,运用深度学习方法,对视网膜血管进
论文部分内容阅读
眼底图像中的视网膜血管是人体重要的反射区,可以根据视网膜血管的病变程度,了解其他部位的疾病。随着深度学习人工智能技术的发展,计算机技术辅助医疗疾病的诊断已成为一种趋势。本文对图像分割以及视网膜血管分割的国内外现状进行了深入的总结,介绍了深度学习视网膜血管分割相关的理论知识。目前视网膜血管分割方法还存着分割准确率不高、灵敏度较差、错误识别分割区域等问题。针对这些问题,运用深度学习方法,对视网膜血管进行分割。主要从下面几个方面进行研究:(1)基于深度学习的视网膜图像分割,需要大量数据作为支持来训练模型。针对视网膜眼底图像数据集大多是小样本数据集,训练网络困难的问题,提出了将数据集图像分为小的patch块的方法,增加训练样本的总量。(2)提出了一种基于深度学习的视网膜血管分割网络-TS-Net,它在保留了U-Net编码解码结构的基础上,加入了形状先验,修改了卷积块模块。形状先验将密集像素信息特征和形状走向特征相融合,产生了细化的分割结果。在训练的过程中,为了防止TS-Net网络过拟合,在修改后的卷积块(Improved Dropout Block)中,用结构化的Dropout代替了原有的drop out。设置实验以及评价指标与其他网络进行对比,实验表明,TS-Net网络实现了视网膜图像的分割,并达到了理想的效果。(3)在TS-Net网络的基础上,增加了空间注意力模块,加强视网膜血管空间特征信息的表达以及空间维度上各个点的特征贡献,并抑制一些不重要的空间特征信息。将TS-Net网络与修改过的TS-Net网络进行对比。综上所述,本文对眼底图像中的视网膜血管进行了分割,提出了基于深度学习的TS-Net网络。通过实验表明,TS-Net网络在Acc、AUC、F1-score有所提高,ROC和值分别达到了0.98和0.89以上。改进后的TS-Net网络,与之前的网络进行对比,在视觉效果上要更好。
其他文献
在组织病理学图像分析中,细胞核的分割对癌症的临床分析诊断有着重要的作用,将细胞核精确的分割出来可以为肿瘤分级奠定良好的基础。但是由于细胞存在不同的形态,染色的不均匀以及大量密集的核团的存在,精确的分割出细胞核仍具有挑战。近年来,深度学习已经广泛的被应用到病理图像细胞核分割中,因为它能够自动在图像数据中获取重要信息。为了更好的使深度学习神经网络在训练过程中能学习到更多具体的关键的特征信息,本文对国内
随着现代化的逐步推进,计算机、图形图像、硬件交互等技术已经成了生活学习中不可或缺的关键部分。虚拟现实技术作为一种新型的计算机技术,因其沉浸式和交互式等特性,正在潜移默化的改变我们的日常生活,也在各行各业产生了深远影响。在工业装配领域,传统装配方式需要消耗大量空间成本、时间成本、人力成本等,但是把虚拟现实技术与工业装配相结合,可以将真实的装配过程转变为在虚拟环境下的装配,解决传统装配技术带来的各个方
人体动作识别作为计算机视觉领域的关键技术之一,对现代社会的发展进步起到至关重要的作用。如何在不受复杂环境和目标个体差异的影响下提高机器识别人体动作的准确度,并使其快速准确的理解人所表达的动作信息是目前各大领域研究者们关注的重点。由微软发布的Kinect设备可采集三种不同类别的数据,其中深度数据和骨骼数据只取决于目标的空间位置,具有颜色无关性,动作识别受外界因素的干扰较小,为人体动作识别技术的研究提
随着科技的不断进步,相关电子元器件的制造产业取得了高速发展,自动检测电子元器件产品质量也成为了电子元器件生产的现实需要。在自动检测领域中,“检测精度”与“检测速度”是两个十分重要的检测的指标。本文根据工业生产环境中对检测精度和速度的不同需求,提出以下两种需求目标:(一)允许少量精度损失的情况下以高速度为目标;(二)以较高精度的电子元器件表面缺陷检测为目标。针对这两种需求目标,本文分别设计了两种基于
交通运输是一个城市的经济命脉,城市交通系统是一个复杂、庞大的系统,具有不确定性、多变性、随机性。随着城市车辆数量的不断增加,传统的交通信号配时方案无法应对,无论国内外,每年因交通拥堵造成的多方面损失都是巨大的。而智能交通信号配时技术的出现,突破了传统交通信号配时的危机和瓶颈。近些年来,随着智能技术的发展,基于深度强化学习(DQN)的交通信号配时技术成为智能交通信号配时中的主流。基于DQN的交通信号
随着计算机视觉技术飞速提升再加之社会各界大力发展,基于深度学习的行人检测与跟踪技术愈来愈受到国内外专家的科研重视,各国科研所与科技公司都对此展开了着力研究。人们对于安全与隐私意识也愈发提高,对于室内监控则变得越来越重视并在教学楼,火车站,候机楼等各种场合都有着视频进行记录,用监控学生或员工的安全问题;同时也可以在室内某些恶劣情况发生时检测人们的轨迹检测并记录下来,及时发现情况将人身和经济损失降低;
随着当今社会人工智能的迅速发展,各行业对无线定位技术的需求不断增加。目前飞机机翼的装配复杂,尺寸较大,在实际的装配过程中定位难、在装配时需要大量工人协作装配,工人仅根据经验或纸张看板装配,会出现错装、漏装等情况。为了满足工人对装配资源的定位以及装配信息可视化的需求,采用基于RFID技术和UWB(超宽带)技术的复合定位方案实现状态信息的获取,以建立实时更新的、现场感强的“真实”飞机机翼模型,利用真实
传统的装配辅助系统都是基于两个方向——虚拟装配辅助系统和PC端的装配辅助系统。虚拟装配辅助系统只能作为前期培训使用,并不能将装配过程与其结合,所以该技术有着较大的局限性。而基于PC端的装配辅助系统虽然也可以在装配过程中查看各种必要的信息,但是这也意味着用户必须停下手中的工序去操作电脑,这大大降低了整体的效率,同时其也存在着不够形象、晦涩难懂的缺点。本文针对以上两种装配辅助技术存在的不足和未来传统制
随着现代社会不断发展,手机、电脑等电子设备已经成为人们日常生活中不可或缺的一部分,同时摄像头等设备在大街小巷发挥着重要作用。超市中,摄像头可以实时记录突发情况;教室中,摄像头可以实时的记录学生的行为活动。监控摄像头中含有大量信息,通过监控视频分析人体行为异常信息已逐渐成为了各个领域的热门话题。人体异常行为检测的研究对于室内场景下分析人体行为提供了有利条件,逐渐成为了一个重要的研究课题。所谓人体异常