基于监督描述子的眼底图像黄斑病变分割方法研究

摘要

黄斑是眼底视网膜上的一个重要结构，也是人类视觉最敏锐的部位。若该部位病变或损伤，则可能导致人眼中心视力的丧失。年龄相关性黄斑变性(Age-related macular degeneration，AMD)是导致老年人视力丧失最主要的原因之一，而黄斑病变玻璃膜疣(Drusen)是导致AMD的主要原因，是呈现其病变程度的主要标识。因此，实现眼底图像玻璃膜疣的精确分割，对眼底疾病AMD的早期诊断和治疗具有重要意义。近年来，图像处理技术被应用于医学图像领域，使得计算机辅助诊断大大提高了临床诊断水平，所以眼底图像玻璃膜疣分割算法具有重要的研究价值。本文分析了眼底图像黄斑病变区域的特征，并总结和分析了现有的分割方法及其在玻璃膜疣分割上的应用。在此基础上，针对现有的用于玻璃膜疣分割的手工特征的缺点——区分能力不强、选取和设计费时费力、没有普遍性、严重依赖专业知识和经验等，本文提出两种基于监督的自动学习眼底图像特征的玻璃膜疣分割方法。本文的主要工作和创新点概括如下： 1.提出一种基于监督描述子学习的眼底图像玻璃膜疣分割方法。不同于传统的繁琐的手工特征提取方法，本方法将监督学习与图像低层特征结合来自动学习新的具有强表达能力的描述子。与传统手工特征相比，该特征在表征能力和效果上都具有显著的优势。首先运用广义低秩矩阵近似的方法对图像矩阵进行降维，再将得到的低维矩阵与像素类别信息相结合形成监督流形正则化，并通过算法的迭代优化得到新特征。将学到的特征向量化之后训练支持向量机(SVM)分类器，再用训练好的分类器对测试图像进行分割。该算法在STARE和DRIVE眼底图像数据集上进行验证，通过与其他分割方法进行比较，表明本文方法具有更高的分割准确率和更好的分割结果。 2.提出了一种基于ResNet卷积神经网络的眼底图像玻璃膜疣分割方法。卷积神经网络具有强大的特征学习能力，但至今没有被应用于眼底图像玻璃膜疣分割。本文针对眼底图像特征，对现有的ResNet残差网络模型进行结构和参数的调整，将其应用于眼底图像玻璃膜疣分割。该卷积神经网络模型能够进行参数自主优化和特征的自动提取，并且提取的特征具有很强的区分性。在 STARE 眼底图像数据集的实验结果表明，该方法成功将卷积神经网络应用于眼底图像玻璃膜疣分割并得到很好的分割结果。

目录

第一个书签之前