论文部分内容阅读
眼底疾病种类繁多,如发病率较高的白内障、青光眼、老年黄斑变性、糖尿病视网膜病变,是四大致盲诱因,危害十分严重。同时,眼底是人体唯一能够直接观察到血管的部位,眼底疾病也能够反映身体的其它疾病,如糖尿病视网膜病变等。眼底图像是目前诊断眼底疾病的主要方式。而眼底图像血管分割则是疾病定量分析的必要步骤。目前,性能最优异的眼底图像血管分割方法属于监督方法,此类方法需要人工设计特征,这十分依赖设计者的经验,而且其算法参数的优化需要耗费大量的时间。而近年来,得益于能够自动提取特征和优化算法参数的技术特点,深度学习在图像处理、语音识别等方面取得了突破性的应用成果。因此,本课题围绕深度学习在眼底图像血管分割中的应用展开研究。本课题一共研究了两类基于深度学习的眼底图像血管分割方法,分别是基于块的图像分割方法和端到端的图像分割方法。这些方法都有很强的特征提取能力,且其模型在训练过程中也能自主进行模型参数的优化。其中,基于块的图像分割方法首次实现了输入图像块,输出其对应的标签概率图;端到端的图像分割方法首次实现了输入原始眼底图像,直接输出其对应的整体的标签概率图。本文提出的四种图像分割方法能够进行特征自动提取和参数自主优化、且算法的准确性和速度相比以往方法有较大提高。在DRIVE、STARE和CHASE这三大眼底图像数据库上,各个方法的灵敏度(Sensitivity,Se)、特异性(Specificity,Sp)和准确性(Accuracy,ACC)都达到了世界先进水平。其中,端到端的图像分割方法在DRIVE和CHASE数据库上的分割性能已经达到专家水平,而且此类方法的分割的速度相比以往有质的提高,在目前实验室硬件条件下,本课题采用四分之一型网络模型分割一张DRIVE数据库中的眼底图像耗时仅0.25s。从基于块的图像分割方法到端到端的图像分割方法,本课题从不同层面提出了多种眼底图像血管分割方法。这些图像分割方法性能优异,应用方便,在整个图像分割领域都有重要的推广价值和科研意义。