论文部分内容阅读
眼睛不仅是观察世界的重要窗口,也肩负着反映身体表征特性的重要职责。眼睛底部的视网膜血管特征是多种疾病判断的重要依据。然而,视网膜血管的结构复杂多样,常常导致难于观察,存在漏检风险。因此,视网膜图像的分割技术不仅对于临床医学而言十分重要。其本身也具有良好的应用价值和市场前景。仅使用单一的特征训练分类器是传统机器学习的弊端。因此,将传统方法用于实际应用,导致精度损失较重,分割效果较差。近年来,深度学习在图像处理领域等各个领域应用广泛,本文将深度学习引入视网膜视盘与血管分割,论文主要工作如下:(1)针对视网膜视盘分割效果在眼部视网膜图像中易受背景像素的影响的问题,提出了两种改进分割算法。第一种为结合注意力机制和残差结构的改进U-net算法。第二种是基于生成对抗网络(GAN)的视盘分割算法,利用GAN对弈机制,将深度可分离卷积与U-net结构融合改进生成器结构,判别器使用卷积生成网络结构。两种算法均在DRIONS-DB数据集上进行验证,且实验结果表明两种算法的精确度均高于目前大部分深度学习算法,与前一种算法相比,后一种算法无需定位即可进行分割,进一步提高了算法的鲁棒性和准确性。(2)视网膜图像中血管末端的分割精准度较低,这是由于眼部血管细小复杂导致的。针对此种精度较低的情况,本文为了提高条件生成对抗网络(CGAN)的分割精度,提出了一种改进的神经网络结构W-net。改进的W-net改进了CGAN的生成器,形成了改进的W-net-CGAN(improved-W-net-CGAN),在 DRIVE 数据集上完成训练和测试。实验结果表明,改进的W-net-CGAN在DRIVE数据集上的分割准确性方面高于传统的视网膜分割算法、基于全连接网络(FCN)的方法以及现阶段大部分深度学习算法(包括SegNet),并且边缘分割更加平坦,较好地保证了血管之间的连通性,尤其对微小血管分割效果良好。本文的工作在Ubuntu平台上使用Python 语言,在DRIONS-DB和DRIVE数据库上,分别对视网膜视盘分割和血管分割进行了实验,验证了本文所提出的分割方法的可行性和有效性。