论文部分内容阅读
近些年，视网膜血管分割技术在当前临床医学中进行筛查、诊断具有重要的作用。眼底视网膜血管是人体全身血管系统中唯一可以直接观察到的较深层微血管，对其形态结构的观察，不仅可以有效预防眼科疾病，还有助于糖尿病、高血压等心脑血管疾病的诊断。因此，基于视网膜图像的血管分割技术的研究，对于辅助诊疗与其相关的各类疾病具有极其重要的临床医学意义和实践价值。 由于视网膜图像中血管分布复杂，目标与背景的对比度较低，还存在光照、病变等噪声的影响，导致视网膜血管分割具有一定的难度。为了精确地分割视网膜血管，本文提出基于深度卷积神经网络的视网膜血管分割算法，将全卷积神经网络应用到眼底视网膜血管分割的任务上，主要工作和贡献为： 1、提出了基于HED-CRF的视网膜血管分割算法。该算法从深度学习的角度出发，构建适合视网膜图像的分割网络，避免对视网膜图像做过多复杂的预处理，尽可能保留原图的固有信息，并验证了全卷积网络在视网膜血管分割上的有效性。本文利用全卷积神经网络的泛化能力和对目标特征的表示能力，结合条件随机场的空间约束能力，在具有五层卷积结构的HED网络基础上，将CRF的空间约束加入到网络中，构建一个端到端的HED-CRF网络模型。实验表明，该算法无论在速度还是在精度上都具有一定的优势，能够快速、有效地得到视网膜分割结果。 2、提出了基于层间连接的全卷积神经网络的视网膜血管分割算法。该算法在HED-CRF网络的基础上，融合了多种不同尺度的特征图来分割视网膜血管。为了达到人眼或专家手动分割的精细程度，该算法以具有最丰富细节信息的底层为基础，并将高层的全局信息融合到低层中。本文提出了两种从高层向低层进行连接的方式，最后以最上层融合后的结果作为该多尺度融合网络的输出，再结合CRF的空间约束能力，将最上层的输出作为CRF的一元能量项，构建端到端的网络模型。实验表明，对不同尺度的特征图进行融合，能够得到更精细的分割结果，更逼近人眼观察的精度。 本文在DRIVE、STARE、CHASE_DB1三个公开的视网膜数据集上对这两种算法进行了测试，对不同视网膜图像中的血管都得到精细的形态结构，对光照、病变等噪声也具有一定的鲁棒性，取得了很好的分割效果。