论文部分内容阅读
随着糖尿病患者的急剧增多,糖尿病视网膜病变的患病率、致盲率也在逐年升高。目前,糖尿病视网膜病变已经成为工作年龄人群首位致盲性疾病,其早期没有显著症状,较难发现,到了晚期即便发现也难以治疗,所以尽早发现、及时干预具有重要意义。眼底视网膜图像病灶诊断需要专业医师进行仔细检查,通常有1~2天的延迟,患者才能够拿到结果。因此,利用图像分析和深度学习技术自动检测病变成为一个有效的解决方案。本文聚焦于眼底视网膜图像中糖尿病性视网膜病变的分割,利用卷积神经网络达到快速、准确识别病灶的目的。主要研究内容如下:(1)提出了基于多尺度区域块的糖尿病视网膜病变检测方法。首先分块检测眼底图像是否存在病变区域,然后对病变区域进行逐像素的分割,从而同时检测出微动脉瘤、出血点、硬渗出以及软渗出等病变。在眼底视网膜图像公开数据DIARETDB1数据库中获得了很高的检测率,提高了检测速度,证明了方法的有效性。在四种病变的检测率中,微动脉瘤88.62%、出血点94.91%、硬渗出98.91%和软渗出92.91%。(2)提出了基于多层次特征融合的糖尿病视网膜病变检测方法。借助自然图像语义分割的思想,针对糖尿病视网膜病变形状多变、大小不一、出现位置不规律的特征,设计融合多层次特征的全卷积神经网络。在私有数据集上证明了方法的有效性。(3)构建糖尿病性视网膜病变标注系统和自动检测系统。糖尿病性视网膜病变标注系统是专门为获取本文研究内容所需要的数据而开发,帮助医生快速、准确地标注眼底视网膜图像中的病灶。糖尿病性视网膜自动检测系统以多层次特征融合检测算法为基础,同时检测出四种常见病变在眼底视网膜图像中的分布,辅助眼科医生的临床诊断,该系统已经实际部署。