关键词:
深度学习
眼底疾病
血管分割
多任务学习
注意力机制
摘要:
眼底疾病长期损害视力健康,是造成人类失明最主要的原因之一。眼底疾病的及早发现和准确诊断对预防失明至关重要。然而眼底疾病的检测涉及昂贵且耗时的人工评估,而且在偏远贫困地区缺乏专业医生,这些给眼底疾病诊断带来了困难。利用深度学习和图像处理等方法对眼底视网膜图像进行分析,可以满足眼底疾病智能诊断迫切需求,大幅减轻医疗成本,具有重大意义。由于眼底图像通常质量低、数量少,眼底病变区域和血管形态复杂、特征多样,深度学习技术在眼底图像分析中的应用受到了极大限制。基于上述背景,本文采用深度学习模型结合传统图像处理技术进行研究,实现了眼底动脉硬化分级、糖尿病视网膜病变和糖尿病黄斑水肿联合分级、眼底视网膜血管分割等重要任务。不同数据集上进行的实验,均证明了模型的有效性,本文提出的方法为眼底疾病辅助诊断提供了有效参考。本文主要研究内容如下:1.针对眼底视网膜动脉硬化分级任务,本文提出了基于轮廓通道增强及四通道合并的眼底动脉硬化分级网络模型。首先,本文提出了一种图像合并进行轮廓增强来提取面向眼底血管背景特征的方法,对原始图像进行自适应阈值处理后生成新的轮廓通道,将其与原始图像合并为四通道图像,捕获眼底图像中对分级有利的特征。然后,使用迁移学习对卷积神经网络预训练来加速训练,并对轮廓通道对应的卷积核通道参数进行Kaiming初始化。最后,为了解决数据集中不同类图像相似性高、同一类图像的差异性大的问题,应用ArcLoss在角度空间中最大化分类界限,以此来扩大不同类之间距离获得高度判别性的特征。2.针对眼底糖尿病视网膜病变分级和黄斑水肿联合分级任务,本文提出了眼底疾病分级双分支混合注意力决策网络模型。首先,阈值处理分割眼底图像病灶,对分级起到重要作用的出血点、软渗出物、硬渗出物等病灶特征进行粗提取。其次,利用多任务学习对糖尿病视网膜病变和黄斑水肿联合分级,减少训练参数量,降低模型复杂度。最后,本文提出了分割特征融合注意力模块和深度注意力模块对图像特征进行筛选和增强。实验结果表明,本文提出的模型优于其他算法,网络在有限样本下有效地学习到更多信息能力得到了加强,模型的泛化能力得到了提高。3.针对眼底视网膜血管分割任务,本文提出了基于多尺度信息融合注意力的血管分割编码-解码网络模型。为了解决眼底视网膜血管大小变化大、血管与背景对比度低、脉管结构和形态复杂等难点,本文设计二层对称编码-解码结构和多尺度注意力模块实现了效果提升。首先,本文的网络采用了二层编码-解码结构,通过密集连接等方式对其优化,有效解决了小数据集带来的过拟合问题。其次,利用空洞卷积和池化操作捕获特征图中的多尺度信息,通过融合多尺度特征提出了多尺度特征融合注意力模块,将其嵌入到跳跃连接中,可以深化提取上下文特征,获取更多的语义信息,对血管细节进行优化。实验结果表明了本文模型优于其他算法,网络模型拥有更好的分割性能。