视网膜OCT图像中液体分割方法的研究

光学相干层析成像(OCT)广泛应用于眼科,用于观察视网膜的形态,对病变区域的检测和诊断评估具有重要意义。由于液体的积聚引发的一系列视网膜疾病,针对视网膜OCT图像中的液体检测和分割问题,设计了一种具有全局上下文特征信息的神经网络,利用多尺度的特征提取与融合的方法,提出了一种多尺度的并行提取与高度融合的U型网络模型PH-UNet,这是一种新的用于视网膜OCT图像液体区域分割的深度卷积神经网络。PH-UNet网络通过捕获多尺度的上下文信息,更好地利用信息提取和融合的方法对视网膜OCT图像中液体区域进行端到端的分割。将提出的模型对MICCAI RETOUCH数据集中三种视网膜液体视网膜内液体(IRF)、视网膜下液体(SRF)和色素上皮脱离(PED)进行分割并与其他经典的分割网络模型进行了比较,在precision精确率、dice相似系数、mIoU平均交并比三种指标上取得了最佳效果证明了其优越性。

多尺度条件卷积的OCT视网膜图像降噪研究

散斑噪声存在于光学相干层析成像(OCT)中,影响OCT图像质量。在使用OCT设备诊断各种常见眼科疾病时,高质量的OCT图像是极为重要的。利用深度神经网络对OCT图像进行降噪处理,使图像在保留空间结构细节的基础上能展示更多的信息。提出了一种基于残差学习网络的新型OCT图像降噪网络—CMCNN,其具有多尺度、多权重和多层次特征融合等特点,并且在保留图像空间结构细节的基础上降低图像噪声;再将提出的模型与传统降噪算法、深度学习降噪模型进行比较。实验表明,CMCNN在峰值信噪比(PSNR)和结构相似性(SSIM)方面比其他深度学习方法提高了2.5%左右,验证了方法可以有效地保留OCT图像中的细节信息,同时有效地抑制噪声,提高图像质量。

糖尿病视网膜病变眼底图像筛查研究

眼底照相是获取眼部图像的主要技术之一。利用眼底相机对视网膜病变区域进行拍摄可以获得清晰的图像,从获取的图像中能够直接观察到眼球中的渗出物、出血点和微血管瘤,根据检测出的病灶类型、数量和位置等信息可进行糖尿病视网膜病变分类。基于此,本文利用深度神经网络对糖尿病视网膜病变进行自动分类识别,提出了一种体系结构简单、在通用设备上运行速度快的卷积神经网络CA-RepVGG(CA代表Channel Attention, RepVGG为现有模块)。利用单路极简结构的RepVGG模块替代复杂的可使用性较差的模块作为分类模型的主体部位,并选用高效通道注意力机制ECA替代压缩注意力机制SE,以此来提升模型对病变分级的能力。此外,本文还将CA-RepVGG模型与传统的分类模型VGG-16、Inception-V3、ResNet-50和ResNext-50模型进行了比较。从比较结果可以看出,虽然CA-RepVGG模型的参数量最大,但由于其是单分支结构,且只有3×3卷积块,因此它的模型复杂度并不高,分类速度很快,比另外4个模型中分类速度最快的ResNet-50还高出15.3%。另外,利用两个混淆矩阵展示了所提模型的分类结果,其在两个数据集上的准确度都超过了92.4%,精确度不低于91.6%,灵敏度在93.8%以上。从实验结果可知,所提模型不仅可对糖尿病视网膜病变进行分类,而且相比其他现有模型具有一定的优越性。若将该模型应用在临床上,可以提高专业眼科医生在眼科疾病上的诊断效率。