基于深度学习的眼底视网膜图像疾病分类研究

提出了一种基于深度学习的多疾病分类方法,实现了一个完整的眼底视网膜图像辅助诊断解决方案。将Resnet50作为主干网络,并且利用多任务学习来解决多标签分类问题,根据左右眼的相关性对左右眼图像进行拼接,融合左右眼特征,从而提高模型的精度。由于基于眼底图像的疾病分类本质上是根据图像上的病灶来判断的,因此引入注意力机制来使得模型更关注病灶特征,增强网络对有效特征的学习能力。最后通过多模型融合技术,进一步提高模型的精度。通过设计多组对比实验,确定Resnet50主干网络为本实验最佳选择,而注意力机制的引入和多模型融合使得模型的诊断准确率提升。

基于双分支加权卷积神经网络的视网膜图像质量评价方法

近年来,眼底图像分析已成为一种直观且高效的辅助诊断技术。专家根据眼底相机捕获的视网膜图像对眼底疾病患者进行诊断,因此,眼底视网膜图像的质量对于医生提供及时且准确的疾病诊断至关重要。本文提出一种端到端的眼底视网膜图像质量评价方法,通过空间横向和纵向卷积的双分支模块进行特征提取,并对双分支所提取的特征进行加权融合,以提高模型的特征提取能力。通过自有数据集的训练,本文提出的模型准确率达到85.14%,AUC为0.9173,F1分数为0.7838。为验证模型的有效性,使用DRIMDB公开数据集进行测试,准确率达到92.11%,AUC为0.9911,F1为0.8966。实验结果表明,提出的方法对于眼底图像质量评价是有效的,具有优越的性能和高效的收敛速率。

基于改进LadderNet的视网膜血管分割应用

视网膜血管的分割有助于辅助医学工作者对眼部或全身性疾病进行诊断和治疗。为进一步提升视网膜血管的分割精度,改进LadderNet架构应用于视网膜血管分割。首先结合DO-Conv,提出改进的池化卷积块替换LadderNet中的池化卷积层,保留强上下文特征;其次引入不平衡注意力模块应用在改进LadderNet网络末端,处理血管和背景,以及粗血管和细小血管之间的类不平衡问题。所提的方法在数据集DRIVE上实验得到AUC、SE、SP评价指标值分别为0.9564、0.7863和0.9802。实验结果表明,改进LadderNet对提升视网膜血管分割精度有一定的作用。

基于互信息的视网膜眼底图像配准方法

提出一种基于互信息的视网膜眼底图像配准方法 ,并采用遗传算法求解待配准图像的变换参数。与传统方法相比 ,该方法具有配准精度高、可靠性好、不需要进行图像的预分割和特征提取等特点 ,配准精度可以达到亚像素级。

基于SENet和GBDT的改进CNN视网膜疾病多分类

由于对眼底视网膜图像进行人工诊断分类时存在效率低、漏诊、误诊等情况,为辅助医师辨别多种疾病的眼底筛查结果,降低漏检及误检率,提出一种基于注意力机制SENet的卷积网络模型和GBDT梯度提升的分类方法来解决视网膜疾病分类问题.该模型在深度学习模型的基础上,利用采样卷积网络对提取的视网膜出血、视盘水肿、黄斑区病变这3种特征进行学习,通过GBDT梯度提升的方法进行识别和分类,并采用大连市第三人民医院提供的真实临床数据对所提方法的性能进行评价.结果表明,该模型在平均准确率,精确率和召回率分别达到99.27%,98.35%,0.9810,在视网膜疾病临床诊断中具有一定的实用价值.

病变视网膜图像的血管骨架提取方法研究

现有血管提取方法很少考虑到视网膜病变后,受病变区域边界干扰,很难正确提取血管结构。针对眼底视网膜病变图像,利用不同相位下Gabor滤波函数对不同特征模式的响应特性,提出一种基于Gabor滤波的非血管结构抑制血管提取方法,同时结合非极大值抑制细化以及滞后多阈值处理技术,最终实现眼底图像血管骨架提取。实验结果表明,该方法优于同类高斯匹配滤波方法和不采用非血管结构抑制的Gabor滤波方法。

基于数学形态学的快速糖尿病视网膜病变自动检测方法

基于眼底视网膜图像的糖尿病视网膜病变(糖网)自动检测不仅可使得实施大规模糖网筛查成为可能,也可为糖网早期诊断、及时治疗以及人眼视觉科学研究提供重要依据。为此,提出了基于数学形态学的糖网病灶自动检测算法:首先利用数学形态学结合阈值分割快速提取出视盘,在此基础上得到病灶候选区域;然后利用形态学重建等获取精确的病灶轮廓,从而实现病灶的准确检测。实验结果表明,该算法能够快速,有效地检测出眼底视网膜图像中的糖网病灶。

基于Retina-GAN的视网膜图像血管分割

对于一些可以从视网膜血管观测到的眼科疾病,眼底图像起着关键的作用,能够为专业的医科人员提供有效的参考,然而手工标注血管费时费力,且工作量较大,所以实现自动智能的血管分割方法对相关人员大有裨益.本文将Attention机制与RU-Net结构融合应用到生成对抗网络(generative adversarial network,GAN)的生成器中,形成了一种新的结构——Retina-GAN.同时在对眼底图像的预处理步骤上选择了自动色彩均衡(ACE),提高图像对比度,使血管更加清晰.为了验证所提出的方法,选用DRIVE数据集,并把Retina-GAN与其他研究比照,测量分析了算法准确性、灵敏度和特异度.实验数据显示Retina-GAN比其他模型具有更好的性能.

基于生成对抗网络的视网膜图像样本增大模型设计

大量有标签的样本数据是深度学习提取丰富特征的关键因素。然而;获得大样本需要耗费大量的人力物力;有时候甚至是难以完成的任务;尤其是在医学领域。本文以视网膜眼底病变智能检测为问题需求背景;基于原始视网膜眼底图像样本;提出了基于生成对抗网络(GAN)的视网膜图像样本增大模型;包括特征可分离编码器和特征扰动生成器;可自动生成血管图像、病灶图像和视网膜眼底图像;通过合成多个数据样本;得到生成视网膜眼底图像;为深度学习技术在该领域的应用提供大数据生成模型支持。

基于改进Unet模型的视网膜血管分割

目的:提出一种能够自动准确分割视网膜血管的卷积神经网络模型,避免传统分割血管计算复杂、准确率不高的问题。方法:在传统Unet模型的基础上,减少网络层数来降低计算复杂度,使用连续空洞卷积对Unet卷积模型中部分卷积层替换来增加感受野,同时增加收缩路径中同层跳跃连接使模型能融合更多信息。结果:对DRIVE数据集的测试结果得到特异度为0.9812,灵敏度为0.7932,准确率为0.9561,1张视网膜血管分割时间为3.11 s。结论:该研究所提方法具有良好的血管分割质量和效率,可以为相关疾病诊断和治疗提供技术支持。

基于平稳小波与条件随机场的视网膜血管分割

视网膜血管是眼科疾病与心血管疾病诊断中极为可靠的生物标志物,视网膜血管自动分割对于诊断和监测多种疾病都至关重要。本文提出了一种新的方法,将平稳小波变换(Stationary Wavelet Transform,SWT)提供的多尺度分析与多尺度条件随机场(Multi-scale Conditional Random Field,MCRF)相结合,检测视网膜血管结构的宽度和方向的变化。我们使用旋转不变性作为联合检测的基础,用于数据扩充和预测,从而得到在训练中学习到的信息,实现细化分割。该方法在DRIVE数据库上进行了评估,ROC曲线面积为0.9796,准确率为0.9569,相比于目前其他算法各性能指标有所提高。

基于改进残差U-Net的视网膜血管分割算法

可靠的视网膜血管分割可以作为监测和诊断某些疾病的一种方式,如糖尿病和高血压,因为它们影响视网膜的血管结构。由于眼睛血管结构复杂,病理特征不确定,使得血管分割仍然存在许多局限性和不足。基于此,提出了一种基于对称式的残差U-Net网络结构用于视网膜血管分割。网络保留了U-Net对称式的编码器-解码器结构,并将改进后的残差块进行融合,利用残差模块增强网络的特征提取能力。最后采用公开的DRIVE彩色眼底图像数据集进行了充分的对比试验,模型在测试集上的准确率、特异性、灵敏度和AUROC值分别达到了96.48%、98.60%、82.96%和98.35%。试验结果显示,所提分割模型对视网膜血管图像可达到优异的分割效果。

基于深度卷积集成网络的视网膜多种疾病筛查和识别方法

针对视网膜疾病种类繁多、病灶位置不固定等特点,提出一种基于深度卷积集成网络的视网膜多种疾病筛查和识别方法。首先,根据视网膜眼底图像裁剪掉两侧黑色边框,并去除图像中的噪声,以降低对眼底图像的干扰,提高图像的清晰度;之后,通过对处理完成的视网膜眼底图像使用裁剪、旋转等数据增强方法来扩增数据集;再建立基于深度卷积神经网络的模型进行特征提取,并在网络模型微调后完成视网膜疾病筛查和识别任务,最终将多个模型的结果进行集成。实验结果表明,该方法针对视网膜疾病的筛查和识别的问题取得了较好的效果,视网膜疾病筛查的准确率达到96.05%,视网膜疾病识别的准确率达到72.55%。

多通道条件生成对抗网络视网膜血管分割算法

目的提出一种对医学眼底图像中的血管部分进行准确分割的模型,避免传统医学图像处理算法严重依赖于人工设计的特征、特征的设计较复杂、模型的泛化能力较差等问题。方法本研究中采用深度学习的算法实现医学图像中对眼底图像中血管部分的分割任务,提出了一种基于改进的条件生成对抗网络(cGAN)的血管分割算法,并在该任务中引入了多尺度的网络结构用于提取眼底图像中不同类型的血管。结果该分割模型在特征比较明显的主血管部分和对比度较低、提取难度较大的血管分支上均能取得很好的效果,实现了眼底图像上血管的自动分割。在模型评估阶段,本研究中通过多个在医学图像分割领域中广泛应用的评价指标对本研究中设计的模型进行评估。在DRIVE数据集上的验证结果显示,特异度为0.9829,F1评分为0.7944,G-mean为0.8748,马修斯相关系数(MCC)为0.7764,在STARE数据集上特异度为0.9782,F1评分为0.7735,MCC为0.7573。结论多通道cGAN相对于同任务的分割算法性能具有很大的提升,并在某些评价指标上能够接近医生分割的结果。

基于张量鲁棒主成分分析的视网膜眼底图像序列变化检测

在计算机辅助诊断系统中,视网膜眼底图像序列的变化检测是一项重要且具有挑战性的任务。针对视网膜眼底图像序列采样帧少、光照干扰大、难以获得稳健的背景模型,提出了一种基于张量鲁棒主成分分析(tensor robust principal component analysis,TRPCA)的变化检测方法。该方法以TRPCA为模型,通过对序列背景扩充,再利用张量分解而获得变化区域:首先,先选择出序列中最接近正常状态的一张图像作为背景模型;然后,通过预处理将单帧背景模型扩张成多帧背景使得背景模型包含更丰富的光照变化;接着,将整个序列建模为一个3维张量体;最后,利用总变分约束背景模型和变化区域的时空连续性,通过Tucker分解分离出背景模型,获得变化区域。实验结果表明,与基于矩阵的鲁棒主成分分析(matrix robust principal component analysis,Matrix RPCA)方法,Masked-RPCA方法以及不加总变分约束的TRPCA方法相比,基于总变分约束的TRPCA方法能够更准确地分离出变化区域,对血管和光照干扰更具有鲁棒性。

视网膜图像中的黄斑中心检测

目的在眼底图像分析中,准确的黄斑中心定位对于糖尿病性视网膜病变的计算机辅助诊断系统具有重要的意义。然而,由于光照不均匀、计算量大及病变的干扰给黄斑中心定位带来了巨大的挑战。因此,为了实现更为准确且高效的黄斑中心检测,提出一种基于血管投影和数学形态学的黄斑中心检测方法。方法首先,基于数学形态学,提出一种自动的血管检测方法。其次,利用视盘区域的血管分布实现视盘中心的自动定位。再次,根据视盘和黄斑的解剖学结构先验信息,提取感兴趣区域。最后,在感兴趣区域内,通过数学形态学和特征提取定位黄斑中心。结果本文提出的方法在两个标准的糖尿病视网膜病变数据库DIARETDB0和DIARETDB1上分别取得了96.92%和96.63%的成功率,且总成功率达到96.35%。此外,平均的执行时间分别为8.236 s和8.912 s。结论实验结果表明,本文方法能快速和准确地定位黄斑中心且其性能明显地优于现有的黄斑中心检测方法。

基于注意力机制的U-Net眼底图像分割算法

视网膜眼底血管的半径、宽度等是评估眼部疾病的重要指标,因此精确分割眼底图像具有十分重要的意义。为了有效辅助医生诊断眼部疾病,本文提出一种新的神经网络分割眼底血管图像,基本思想是通过改进传统的U-Net模型,借助一种注意力融合机制,使用Transformer构建通道注意力机制和空间注意力机制,将2个注意力机制获取的信息进行融合,减少信息的丢失。此外,视网膜眼底图像的数量比较少,神经网络的系数比较大,训练时容易发生过拟合,所以引入DropBlock层解决此难题。在公开数据集DRIVE上面进行验证,与多种最新的方法进行对比,本文提出的方法获得最高的ACC值0.967和最高的F1值0.787。实验结果表明,本文提出的方法能够有效地分割眼底图像。

基于CBIR技术的眼底图像自动分类检索系统

为实现一个眼底图像自动识别检索的原型系统,本文采用基于内容的图像检索(CBIR)技术提出一种综合考虑眼底图像颜色(灰度)直方图和明、暗区域等局部信息相混合来表示眼底特征的方法,运用核主成分分析(KP-CA)法进一步提取非线性特征和降维。在相似性度量上,提出一种利用支持向量机(SVM)对KPCA加权距离来度量的方法。用该系统随机测试300个样本,检索错误的图片总数为32张,其检索率为89.33%。实验表明该原型系统对眼底图像的识别率极高。

通过眼底影像评估冠心病及相关危险因素的深度学习模型研究

目的开发并验证一款基于视网膜眼底图像的深度学习模型,用于识别冠心病及其危险因素。方法本研究为回顾性研究。收集2018年7月至2021年6月来自中国149家医院和体检中心,年龄>18岁、具有完整冠状动脉造影及视网膜眼底图像的受试者。2名对研究设计不知情的放射科医师独立评估每位受试者的冠状动脉造影图像,判断是否诊断为冠心病。使用卷积神经网络(CNN)深度学习模型,根据有无冠心病将视网膜眼底图像进行标注,按比例分为训练集和测试集进行模型训练。并且在测试集中分别使用单眼和双眼眼底图像评估模型预测性能。使用受试者工作特征曲线下面积(AUC)及相关系数(R2)评估模型识别心血管疾病危险因素(年龄、血压、性别)以及冠心病的效能。结果本研究收集到25222名受试者的51765张眼底图像,其中男性14419名,冠心病患者10255例。训练集纳入了22701名受试者的46603张眼底图像,测试集共纳入2521名受试者的5162张眼底图像。在测试集中,模型从单眼和双眼视网膜眼底图像中判断年龄的R2分别为0.931(95%CI 0.929~0.933)和0.938(95%CI 0.936~0.940)。从单眼和双眼视网膜眼底图像中识别性别的AUC值分别为0.983(95%CI 0.982~0.984)和0.988(95%CI 0.987~0.989)。该模型运用单眼(任一)眼底照片识别冠心病的AUC值为0.876(95%CI 0.874~0.877),双眼(均值)眼底照片的AUC值为0.885(95%CI 0.884~0.888),模型通过双眼视网膜眼底照片判断冠心病的灵敏度为0.894,特异度为0.755,准确度为0.714。结论基于视网膜眼底图像的深度学习模型在评估冠心病及其危险因素(年龄、性别)方面表现良好。

融合重建滤波器和暗特征的渗出物检测算法

针对多数视网膜渗出物提取算法检测精度不高的问题,提出了一种融合重建滤波器和暗特征的视网膜渗出物检测算法。首先,对视网膜灰度图像均值滤波后应用"球形"重建滤波器移除视网膜血管,使用列滤波器标识出渗出物区域并阈值分割得到含有视盘和边界的渗出物区域图像。其次,在均值滤波后的灰度图像中检测视盘和图像边界,并根据视盘构建掩膜,接着从含有视盘和边界的渗出物区域图像中移除视盘和边界,然后应用"圆盘形"重建滤波器扩充渗出物尺寸。最后,对视网膜灰度图像自适应直方图均衡化,阈值分割后反转灰度值得到暗特征,从扩充渗出物尺寸后的图像中移除暗特征即得到最终渗出物图像。实验结果表明,本文算法能有效检测视网膜眼底图像中的渗出物,较现有算法具有更高的检测精度。