论文部分内容阅读
糖尿病视网膜病变是导致不可逆转性失明的主要因素之一,早期筛查和及时的诊治具有重要的意义。糖尿病视网膜病变诊断主要是根据眼底相机拍摄得到的彩色眼底图像判别患者的糖尿病视网膜病变程度。本文结合视网膜整幅图像的全局特征和不同类型病灶区域的局部特征实现疾病智能诊断,主要研究工作如下:针对不同严重程度的糖尿病视网膜病变图像之间差异十分微小且特征提取困难的问题,本文提出了基于残差-双线性网络的疾病诊断方法。通过引入双线性特征,设计了残差-双线性卷积神经网络以提取出眼底图像丰富的语义信息,使网络关注到具有辨别性的关键区域。基于传统残差块进行改进,避免部分重要特征信息丢失,通过双线性池化使不同通道之间的特征进行组合,获取高级语义特征。另外,针对部分小病灶无法在深层网络特征图上较好的表达的问题,提出多层级特征融合方法,形成了不同层级的上下文信息。通过在EyePACS公开数据集上实验对比分析,本文方法设计的网络在敏感度和Kappa系数上均有提升。针对目前主流的病灶检测算法中无法在一个统一的算法框架下实现同时提取不同类型病灶特征的问题,同时为了避免微小病灶被忽略,本文设计了基于图像块的病灶分类方法为疾病诊断提供病灶特征。针对眼底图像中不同病灶区域形态差异较大的问题,提出了多尺度特征融合方法,通过引入空洞空间金字塔池化方法提取眼底图像不同区域范围的病灶特征。本文通过实验证明了在IDRID公开数据库上能够较好的识别出不同的病灶区域,其中微动脉瘤召回率和精确率分别为84.54%、79.97%,硬性渗出物召回率和精确率分别为90.84%、95.27%。针对糖尿病视网膜病变相邻严重程度的图像,特别是正常和轻度图像容易混淆的问题,提出了基于病灶特征融合的疾病诊断方法。为了提供病灶区域的先验知识,本文采用图像处理的方法提取出可疑区域图像块。为了结合局部病灶特征进行辅助诊断,本文将整幅眼底图像和对应的可疑区域图像块分别输入疾病诊断网络和病灶分类网络,基于训练好的网络模型进行调优训练。通过在EyePACS公开数据库上进行实验,本文诊断方法敏感度达到89.5%,特异度达到86%,Kappa系数为0.846。综上所述,本文针对糖尿病视网膜病变诊断问题提出了基于残差-双线性网络的疾病诊断方法和基于病灶特征融合的疾病诊断方法,为疾病诊断研究提供了新的思路,并在EyePACS国际公开数据库上通过实验验证了两种方法的有效性。