论文部分内容阅读
糖尿病视网膜病变(DR)是成年人致盲的主要原因之一。定期的DR筛查能有效预防因DR而造成的失明。DR筛查的普及将带来DR图像判读工作量的迅速增加,并且,采用医生人工阅片方式主观性大,效率低,无法满足大规模DR筛查的需要。因此,通过智能的DR图像分析算法来辅助DR筛查成为迫切的应用需求。作为医学图像分析中的研究热点,DR图像分析算法虽不断改进,但还存在特征提取复杂和泛化性差等问题。本文从DR辅助筛查系统的实际应用需求出发,以提高筛查效率为目的,结合深度学习方法,开展了 DR图像分类、血管分割和红色病灶检测等方面的研究,为DR辅助筛查系统的发展提供技术支撑,对DR筛查的普及具有重要意义。本文主要研究内容概括如下:(1)DR图像分类。考虑到有类别标注的DR图像数据量相对不足,以及深层神经网络难以训练的问题,本文提出一种基于迁移学习和集成学习的DR图像分类算法。首先,利用迁移学习中预训练模型初始化VGGNet16和GoogLeNet模型的参数并微调,以减少模型的训练时间;接着,分别提取两个模型的特征向量并训练SVM分类器。最后采用集成学习中的平均法,对多个分类器的分类结果取平均值来提高模型的鲁棒性,该方法在公开数据集上测试取得较高的准确率。同时,本文通过弱监督学习算法对DR病变区域进行可视化,借助DR类别标签,可实现DR图像中病变区域的定位。(2)血管分割。针对DR图像中血管标注不足、模型训练易过拟合等问题,本文提出一种基于U-Net和ResNet的血管分割算法。首先,对DR图像进行正则化、均衡化和视场提取等预处理,去除背景噪声;接着,采用带重叠区的滑动窗口对DR图像进行采样,生成模型训练所需的图像块数据集,增大训练数据。然后,在U-Net模型中加入ResNet模块,防止模型精度退化,并结合图像分割指标对模型的损失函数进行优化,进一步提高模型的性能。最后对模型分割后的图像块进行合成。实验结果表明,该方法能提高模型的收敛速度和血管分割精度。(3)红色病灶检测。由于红色病灶面积较小,且易受血管和噪声的干扰,本文提出一种基于背景估计和CNN的红色病灶检测算法。首先,根据病灶标签,采用带重叠的滑动窗口截取图像块,作为正负训练样本,初步训练CNN模型。接着,通过背景估计和血管消除等处理提取训练样本来精调CNN模型。同时,采用类别平衡损失函数来解决训练数据集中的正负样本数量不均衡的问题。实验结果表明,该方法能有效检测出DR图像中红色病灶。