基于深度学习的视网膜血管图像分割算法研究文献综述

 2023-02-06 03:02

一. 选题背景与意义:

眼底视网膜血管病变是致盲的重要原因之一,但可通过眼底视网膜检查实现提前防治。通过眼底检查,病人可为自己的眼底视网膜建立图像档案,在早期病变时获得及时治疗将会大大降低视觉损伤和致盲的概率。

图像分割即把图像分成若干个特定的互不重叠的区域,各区域具相同特征,它是图像识别和计算机视觉至关重要的预处理。借助图像分割技术对彩色眼底图视网膜血管进行分割,在获取大量数据的基础上可用于眼科疾病的辅助诊断和决策[1][2]。近年来,图像分割在各种领域中得到广泛运用,但为了使其适应分析医学病理图像,有关算法需要进一步优化。

卷积神经网络是深度学习的代表算法之一,通过局部连接和权值共享,卷积神经网络能够以较小的计算量对格点化特征(如像素、音频等)进行学习,这些特性使得它在图像分割算法中具有优异表现[3]

本课题拟运用一种适于生物医学图像的卷积神经网络U-Net[4]来对视网膜血管图像进行分割,通过研究该算法的原理,并对原有网络结构实现优化,以期获得更好的图像分割结果。

二.拟解决的问题

针对生物医学图像设计的卷积神经网络模型U-Net由U通道和短接通道组成,U通道前半部分为编码部分,进行特征提取和捕获上下文信息,后半段为解码部分,用解码特征图来预测像素标签,中间的短接通道提高了模型精度并解决了梯度消失问题。这种具有跳跃连接结构的网络让解码层更好的利用编码层获得的特征信息[5]。然而,U-Net的卷积操作对血管边界的分割略显不足,并且无法兼顾在眼底血管分割任务中同时需要的定位和分类能力[6],影响了视网膜血管分割的性能。本课题拟通过研究传统U-Net模型的原理后,针对其缺陷进行改进,提高U-Net模型在图像分割中的精细程度和效率,优化得到针对视网膜血管病理图像分割的更好的卷积神经网络模型。

三.研究方法及研究步骤

1. 文献查阅

剩余内容已隐藏,您需要先支付 10元 才能查看该篇文章全部内容!立即支付

课题毕业论文、开题报告、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。