基于特征学习的OCT视网膜病变图像分类技术研究

摘要

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MATLAB2014b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。

目录

声明

第1章 绪 论

1.1 本课题的研究背景及意义

1.2 光学相干断层扫描技术的发展现状

1.3 视网膜疾病的基本概况

1.4 OCT视网膜病变图像分类研究现状

1.5 本文主要研究内容以及结构安排

第2章 基于PCANet特征学习的OCT视网膜病变图像分类技术

2.1 引言

2.2 PCANet特征学习原理

2.3基于PCANet特征学习的OCT视网膜病变图像分类

2.4实验数据

2.5 实验

2.6 本章小结

第3章 基于3D-PCANet特征学习的3D-OCT视网膜病变图像分类技术

3.1 引言

3.2 基于3D-PCANet特征学习分类技术原理

3.3 基于3D-PCANet特征学习的3D-OCT视网膜病变图像分类

3.4 实验

3.5 本章小结

第4章 软件实现

4.1 引言

4.2软件系统结构

4.3软件系统流程

4.4软件系统界面

4.5本章小结

第5章 总结与展望

5.1 总结

5.2 工作展望

参考文献

致谢

附录A 攻读学位期间所发表的学术论文目录