基于深度学习的视网膜OCT图像分层与疾病筛查研究

摘要

光学断层扫描技术(OCT)是生物组织成像技术，它具有高分辨率、非侵入性、非接触性等特点。已经成为视网膜三维成像的重要工具并普遍应用于临床眼科学来对眼部疾病进行诊断。除了很多重要的眼睛疾病，还有一些系统性疾病都会被显示在视网膜上，因此视网膜图像处理的发展对于视网膜疾病的检测来说是非常重要的。视网膜是分层结构，更复杂，视网膜的内部结构和厚度信息是诊断眼部疾病的重要指标。OCT技术可被眼科专家用来分析视网膜内部结构和视网膜厚度变化的信息，所以在OCT扫描片中分割视网膜层以及视网膜疾病筛查已经成为重要的目标。
　　很多相关的研究者已经对视网膜分层问题进行研究，基于图论的方法是应用最为普遍的方法，但是大多数这些方法需要大量的人力来确定合适的模型来计算边的权重。为了更高效地设计合适的分层模型，本文第3章提供了一种基于全卷积神经网络结合图论方法的视网膜分层方法。具体来说，我们首先我们设计一个全卷积网络，将图像输入到这个精心设计好的模型中。这个网络结合对网络中间层监督的方法可以学习到图像丰富的各个尺度的多层特征。这样通过这个网络模型我们可以得到更精确的视网膜中各层的边界的概率图，也就是图像中每个像素所属于的边界的概率值。其次，由于视网膜中有些层厚度很薄，导致边界相近并且较为模糊，因此我们对边界概率图进行增强操作，增强边界与非边界之间的对比度。最后，我们利用得到的边界概率值作为图论方法中图中边的权重，再用最短路径的方法搜索出最终的边界并获得最终的分层结果。通过在采集到的数据集上使用130个OCT图像切片进行验证，实验结果显示本文提出的方法能得到更为精确的分割结果。
　　在OCT图像中筛查视网膜疾病是一项非常重要且有意义的任务。传统的研究通常在以黄斑或者视盘为中心的OCT图像中辨别出特定的疾病，为了帮助眼科专家对更多的视网膜相关疾病进行诊断，本文第4章提出了一种基于三维卷积神经网络的视网膜OCT图像分类方法。我们有三种不同的视网膜OCT图像:黄斑的、视盘的和大视野的视网膜OCT图像，对这三种图像进行疾病的筛查，其中大视野图像指的是获取到的包括黄斑区域和视盘区域的大范围的图像。我们将这三种OCT图像分为六类:以黄斑为中心的正常图像和非正常图像、以视盘为中心的正常和非正常图像和大视野的正常和非正常图像。我们同时设计一个三维卷积神经网络实现分类的目标，特别是在主流网络中一个辅助分支网络的加入作为主流网络的正则化项来提高网络的辨识度。最终的分类结果由主流网络和分支网络两部分通过融合得到。在采集到的873个视网膜OCT数据库上的实验结果显示，本文提出的视网膜疾病筛查方法取得了94.20％的正确率。

目录

声明

摘要

1．1 研究背景

1．2 视网膜分层研究

1．2．1 视网膜层状结构

1．2．2 视网膜分层的研究意义

1．2．3 视网膜分层研究的现状

1．3 视网膜疾病筛查研究

1．3．1 视网膜疾病筛查研究的意义

1．3．2 视网膜疾病筛查研究的现状

1．4 本文的研究工作

1．5 论文的组织结构

第2章 视网膜OCT图像分析研究

2．1 视网膜层的分析

2．1．1 视网膜层的检测

2．1．2 视网膜层厚度分析

2．1．3 视网膜纹理分析

2．2 视网膜病变的检测

2．2．1 SEAD足迹的检测

2．2．2 三维SEAD区域分割

第3章 基于全卷积网络结合图论方法的视网膜OCT图像分层

3．1 引言

3．2 卷积神经网络

3．2．1 卷积神经网络起源

3．2．2 神经网络

3．2．3 卷积神经网络

3．2．4 卷积神经网络的训练

3．3 方法概述

3．3．1 基于深度学习的边界概率值的学习

3．3．2 边界概率图的后处理

3．3．3 基于图最短路径搜索的分层结果的确定

3．4 实验结果和分析

3．4．1 数据集和数据预处理

3．4．2 本章方法实验性能

3．5 本章小结

第4章 基于三维卷积神经网络的视网膜疾病筛查

4．1 引言

4．2 方法概述

4．2．1 网络结构

4．2．2 分类得分融合

4．2．3 微调预训练好的模型

4．2．4 形式化描述

4．3 实验结果和分析

4．3．1 数据库与实验设置

4．3．2 本章方法实验性能

4．4 本章小结

第5章 总结与探讨

参考文献

致谢

攻读学位期间发表的学术论文

攻读学位期间参加的项目