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。     

基于多任务学习的糖尿病视网膜病变图像分割

针对糖尿病视网膜病变(DR)图像,提出了一种基于多任务学习的图像多分类分割方法.首先,通过Otsu阈值算法将大部分无病灶信息像素去除;其次,通过滑动窗口切割的方法将图像切分为若干小尺寸的图像,以解决医学图像分辨率过大以及病灶在图像中占比较小的问题;再次,将不存在病灶的子图剔除,以增大含病灶子图的比例;最后,利用UNet++多任务学习属性,并且用转置卷积代替传统上采样,进行多输出多病灶的图像分割.通过在国际公开的IDRID和DDR数据集上进行验证,在IDRi D上取得0.713 1的m AUPR,在DDR上取得0.569 1的m AUPR.     

基于分类回归树和AdaBoost的眼底图像视网膜血管分割

提出一种能有效分割眼底图像中视网膜血管的监督学习方法,为眼底图中的每个像素点构造一个包括局部特征、形态学特征和Gabor特征在内的39维特征向量,用以判定其是否为血管上的像素.在进行分类计算时,以分类回归树作为弱分类器对样本集分类,然后对AdaBoost分类器进行训练得到强分类器,并由此完成各个像素点的分类判定.基于国际公共数据库DRIVE的实验结果表明,该方法的平均精确度达到0.960 7,且敏感度和特异性均优于已有的基于监督学习的方法,适用于眼底图像的计算机辅助定量分析和疾病诊断.     

基于相位一致性的眼底图像视网膜血管分割

眼底图像的视网膜血管分割是眼底图像处理的重要组成部分,视网膜血管对于医学研究和临床诊断有着重要的作用。传统图像分割算法都有一定的缺陷,而相位一致性算法由于不受对亮度和对比度的影响,且有着较好的分割效果,可以用于图像特征的提取和分割。为此提出了将相位一致性算法应用于眼底图像的血管提取中,采用真实的眼底图像数据库进行实践,证明了可较好地用于眼底图像视网膜血管分割。     

多核多示例学习的糖尿病视网膜病变诊断

目的 在传统糖尿病视网膜病变（糖网）诊断系统中,微动脉瘤和出血斑病灶检测的精确性决定了最终诊断性能。目前的检测诊断方法为了保证高敏感性而产生了大量假阳性样本,由于数据集没有标注病灶区域导致无法有效地建立监督性分类模型以去除假阳性。为了解决监督性学习在糖网诊断中的问题,提出一种基于多核多示例学习的糖网病变诊断方法。方法 首先,检测疑似的微动脉瘤和出血斑病灶区域,并将其视为多示例学习模型中的示例,而将整幅图像视为示例包,从而将糖网诊断转化为多示例学习问题;其次,提取病灶区域的特征对示例进行描述,并通过极限学习机（ELM）分类算法过滤不相关示例以提升后续多示例学习的分类性能;最后,构建多核图的多示例学习模型对健康图像和糖网病变图像进行分类,以实现糖网病变的诊断。结果 通过对国际公共数据集MESSIDOR进行糖网病变诊断评估实验,获得的准确率为90.1%,敏感性为92.4%,特异性为91.4%,ROC（receiver operating characteristic）曲线下面积为0.932,相比其他算法具有较大性能优势。结论 基于多核多示例学习方法在无需提供病灶标注的情况下,能够高效自动地对糖网病变进行诊断,从而既能避免医学图像中标注病灶的费时费力,又可以免除分类算法中假阳性去除的问题,获得较好的效果。     

基于多尺度匹配滤波和集成学习的眼底图像微脉瘤检测

针对微脉瘤的灰度分布特性,提出一种新的微脉瘤检测算法。首先通过多尺度匹配滤波筛选出候选微脉瘤病变点,并作为种子点利用区域生长技术分割出病变区域;然后提取病变区域特征向量;最终采用Adaboost神经网络集成分类器检测真实的微脉瘤病变。在公开的ROC数据集测试表明,所提方法检测的平均正确率达到40.92%,优于以往的双环滤波和形态学方法。     

基于SVM的眼底图像硬性渗出检测

为克服光照不均、对比度低、软性渗出干扰等给眼底图像中硬性渗出(HEs)检测带来的困难,提出一种基于支持向量机(SVM)的检测方法。首先对眼底图像进行数学形态学结合阈值方法的粗分割,得到硬性渗出的候选区域;然后在候选区域上提取特征,并在特征提取中引入调幅-调频(AM-FM)特征;接着用SVM分类出HEs和非HEs。在公开的糖尿病视网膜病变图像库DIARETDB1上进行实验,结果敏感性为91.1%,特异性为94.7%。实验表明该方法可对HEs进行可靠检测。     

结合域适应学习的糖尿病视网膜病变分级诊断

目的 传统的糖尿病视网膜病变(糖网)(diabetic retinopathy, DR)依赖于早期病理特征的精确检测,但由于数据集缺乏病灶标记区域导致无法有效地建立监督性分类模型,引入其他辅助数据集又会出现跨域数据异质性问题;另外,现有的糖网诊断方法大多无法直观地从语义上解释医学模型预测的结果。基于此,本文提出一种端到端式结合域适应学习的糖网自动多分类方法,该方法协同注意力机制和弱监督学习加强优化。方法 首先,利用已标记病灶区域的辅助数据训练病灶检测模型,再将目标域数据集的糖网诊断转化为弱监督学习问题,依靠多分类预测结果指导深度跨域生成对抗网络模型,提升跨域的样本图像质量,用于微调病灶检测模型,进而过滤目标域中一些无关的病灶样本,提升多分类分级诊断性能。最后,在整体模型中融合注意力机制,从医学病理诊断角度提供可解释性支持其分类决策。结果 在公开数据集Messidor上进行糖网多分类评估实验,本文方法获得了71.2%的平均准确率和80.8%的AUC(area under curve)值,相比于其他多种方法具有很大优势,可以辅助医生进行临床眼底筛查。结论 结合域适应学习的糖网分类方法在没有...     

糖尿病性视网膜图像的深度神经网络分类方法

针对传统的视网膜图像处理步骤复杂、泛化性差、缺少完整的自动识别系统等问题,提出了一套完整的基于深度神经网络的视网膜图像自动识别系统。首先,对图像进行去噪、归一化、数据扩增等预处理;然后,设计了紧凑的神经网络模型——CompactNet,CompactNet继承了AlexNet的浅层结构参数,深层网络参数则根据训练数据进行自适应调整;最后,针对不同的训练方法和不同的网络结构进行了性能测试。实验结果表明,CompactNet网络的微调方法要优于传统的网络训练方法,其分类指标可以达到0.87,与传统直接训练相比高出0.27;对于LeNet,AlexNet和CompactNet三种网络模型,CompactNet网络模型的分类准确率最高;并且通过实验证实了数据扩增等预处理方法的必要性。     

基于眼底图像层次特征的分类方法

针对眼底图像中视网膜血管结构的划分问题,提出一种自适应的广度优先搜索算法。首先,基于视网膜血管的结构提出层次特征的概念并进行特征提取;然后,对分割的视网膜血管进行分析及处理,提取得到多个无向图子图;最后,使用自适应的广度优先搜索算法对每个子图中的层次特征进行分类。视网膜血管结构的划分问题被转化为层次特征的分类问题,通过对视网膜血管中的层次特征进行分类,包含这些层次特征的视网膜血管段的层次结构就可以被确定,从而实现视网膜血管结构的划分。该算法运用于公开的眼底图像数据库时具有良好的性能。     

基于纹理特征的糖网临床前期眼底自发荧光图像识别

及时发现和干预潜在的糖尿病视网膜病变患者，对帮助提升糖尿病患者的整体视觉质量和降低医疗成本具有十分积极的意义.由于糖尿病视网膜病变临床前期和正常人的眼底荧光图像在视觉感观基本上没有差别，为此本文通过目前应用较广的纹理特征算法和支持向量机对这两组图像进行了模式识别.通过将185张眼底荧光图片十折交叉检验发现，LBP算法对其具有很好的识别效果.等价模式下的59维LBP算子的十折交叉准确率达到了91.89%，同时在测试集和训练集以1：1随机划分的情况下，由训练集数据所生成的模型对测试集中92张眼底荧光图像的识别准确率达到了88.12%，AUC值为0.943.     

基于近邻协同的高光谱图像谱-空联合分类

遥感高光谱成像能够获得丰富的地物光谱信息, 为高精度的地物分析提供了可能. 针对高光谱图像分类中通常面临的数据维数高、标记样本少、计算量大等问题, 提出了一种简单有效的谱--空联合分类方法. 利用高光谱图像丰富的光谱信息和地物分布的空间平滑特性, 该算法首先对光谱数据进行特征提取和空间滤波, 然后利用本文提出的基于近邻协同的支持向量机(Neighborhood collaborative support vector machine, NC-SVM)进行分类. 近邻协同进一步利用地物分布的空间平滑特性, 通过联合空间近邻的判决信息进行中心像素的类别判定, 有效减小了只有少量训练样本下的错分概率. 实验表明, 相比已有的相关方法, 该算法在不明显增加计算量的情况下可获得更高的分类正确率, 能够实现少量训练样本下高光谱图像的快速高精度分类.     

Leveraging Retinal Fundus Images with Deep Learning for Diabetic Retinopathy Grading and Classification

Recently, there has been a considerable rise in the number of diabetic patients suffering from diabetic retinopathy (DR). DR is one of the most chronic diseases and makes the key cause of vision loss in middle-aged people in the developed world. Initial detection of DR becomes necessary for decreasing the disease severity by making use of retinal fundus images. This article introduces a Deep Learning Enabled Large Scale Healthcare Decision Making for Diabetic Retinopathy (DLLSHDM-DR) on Retinal Fundus Images. The proposed DLLSHDM-DR technique intends to assist physicians with the DR decision-making method. In the DLLSHDM-DR technique, image preprocessing is initially performed to improve the quality of the fundus image. Besides, the DLLSHDM-DR applies HybridNet for producing a collection of feature vectors. For retinal image classification, the DLLSHDM-DR technique exploits the Emperor Penguin Optimizer (EPO) with a Deep Recurrent Neural Network (DRNN). The application of the EPO algorithm assists in the optimal adjustment of the hyperparameters related to the DRNN model for DR detection showing the novelty of our work. To assuring the improved performance of the DLLSHDM-DR model, a wide range of experiments was tested on the EyePACS dataset. The comparison outcomes assured the better performance of the DLLSHDM-DR approach over other DL models.     

基于多角度分析统计的眼底图像微动脉瘤自动检测

糖尿病视网膜病变(DR)是新增失明的主要原因,而视网膜微动脉瘤(MA)是糖尿病视网膜病变的早期临床表现之一。然而,由于微动脉瘤体积小,与周围背景的对比度差,很难用肉眼直接观察出来。本文提出了一种基于多角度分析统计的特征提取方法,每种预处理方法作为一个角度提取一组特征,利用多层感知机分类器(MLP)进行分类,最后对所有的分类统计求均值。该方法在e-ophtha-MA数据库上进行了评估,并获得了较高的灵敏度。使用FROC指标,最终平均得分为0.510,灵敏度为0.91,AUC值为0.98,与现有最先进的方法相当。实验证明,本文提出的基于多角度分析统计提取微动脉瘤的方法增强了MA的识别能力,有利于分类,提高了检测性能。     

眼底图像质量分类综述

眼底视网膜是唯一可用肉眼直接并集中观察到动脉、静脉与毛细血管的部位,因而眼底图像成为医生诊断眼底疾病及糖尿病、高血压、高血脂等疾病的重要依据.高质量的眼底图像是医生对眼底疾病患者进行病情诊断与治疗的前提.根据眼底相机采集到的视网膜图像中眼底结构清晰度、图像对比度等条件对眼底图像质量进行分类成为一个既具有研究价值又极具挑战性的难点问题.首先简述了眼底图像质量分类的研究意义和实用价值,回顾了其发展历史;然后介绍了方法分类、每类方法的基本思想并梳理了各类方法中代表性算法及其特点;之后针对用于眼底质量分类的数据集,分析比较了主要眼底图像质量分类方法的性能.分析表明,传统方法中依据眼底结构特征判断视网膜图像质量相较于通用图像质量参数更加客观,而随着神经网络与机器学习的出现,在大数据驱动下,基于卷积神经网络的质量分类方法在准确率与鲁棒性方面性能更佳.最后对眼底图像质量分类未来的发展趋势进行展望.     

面向照片-图形图像的二分类方法

随着科技的发展,图像应用技术日趋重要,许多图像应用技术对照片图像和图形图像的要求和效果是不同的.针对照片图像和图形图像分类的问题,本文提出了一种新的基于二分法的图像分类方法,这种方法混合了颜色、边缘和纹理三种图像特征,通过对图像特征值的K-means聚类分析,实现了照片图像和图形图像的分类.经实验验证,该方法在照片图像和图形图像的分类上取得较好的结果.     

交互式眼底图像拼接的研究与实现

眼底照相机获取的人眼眼底图像,可以辅助医生对眼底或相关疾病进行诊断。现有眼底相机只能获取局部眼底图像,而全景眼底图像的信息更为有效、全面,可降低医生误诊率。虽然眼底图像自动拼接精度高,人工干预少,但限制因素较多尚不完善。本文提出一种交互式眼底图像拼接方法,并对具有重叠区域的眼底图像在配准时引入模板匹配法提高精度,在VC++编译环境中实现,拼接结果保留了各子图的细节信息,融合接缝区域,是有效的眼底全景图像,并可为眼底图像后续处理提供支持。     

眼底图像半自动标注系统

近年来,由于人工智能在医疗领域的高速发展,科研人员对医学图像的需求量与日俱增.这些医学图像往往需要经过精细地标注之后才能够被投入使用.与自然图像相比,医学图像的数据标注工作更具专业性、复杂性.因此,医学图像面临着标注速率低、标注成本高等问题,从而导致带标签样本稀缺的困境.眼底图像作为一种重要的医学图像,能够实现绝大多数的眼科疾病筛查与初诊工作,如糖尿病视网膜病变、青光眼等,但也同样面临着标注困难的问题.针对这样的现状,本文设计并开发了一种高效的眼底图像半自动标注系统,该系统的创新点是能够对多种眼病进行半自动标注.针对眼底图像进行多种疾病的预测,预测结果的类型包括疾病分级和病灶分割,标注人员只需对生成的预测结果进行审核并修改,这一过程可以大大降低标注人员的工作量.此外,该系统包括用户管理、项目管理、图像管理、算法模型管理4个模块.通过这4个模块可以实现团队标注中的任务分配,标注进度数据可视化,标注结果快速导出等人性化功能.该系统极大提升了标注人员的标注效率和标注体验.     

一种基于模板匹配法的眼底图像拼接方法

图像拼接技术是近年来医学图像处理的研究热点之一,在眼科方面具有广泛的研究价值。笔者根据眼底图像的特点,提出了一种基于模板匹配法的眼底图像拼接方法。首先在两幅图像的重叠区域中分别抓取一对初始匹配点,分别以抓取点为中心取不同大小的模板区域和搜索区域,然后根据模板匹配法的基本原理,确定最佳匹配点,通过平移和旋转变换完成图像之间的配准,最后采用重叠区域线性过渡的图像融合方法消除拼缝,实现图像间的平滑过渡。经实验验证,该方法实现了不同视角眼底图像之间的拼接,且计算速度快,精度高。