基于深度学习的黄斑水肿OCT图像分割方法的研究与应用.pdfVIP

目录

摘要I

ABSTRACTIII

第一章绪论1

1.1研究背景与意义1

1.2研究现状2

1.2.1医学图像分割的国内外研究现状3

1.2.2黄斑水肿OCT图像分割的国内外研究现状5

1.3本文研究内容与组织结构6

第二章研究的相关技术9

2.1卷积神经网络9

2.1.1卷积层9

2.1.2池化层10

2.1.3激活函数层10

2.1.4全连接层12

2.2残差网络12

2.3Transformer模型13

2.4损失函数15

第三章黄斑水肿OCT图像处理17

3.1数据集来源与划分17

3.2数据标注18

3.3数据降噪19

3.4数据增强21

3.5本章小结23

第四章基于残差快速傅里叶卷积瓶颈Swin-Unet的黄斑水肿OCT图像分割...25

4.1引言25

4.2方法介绍25

4.2.1Swin-Unet模型介绍25

4.2.2快速傅里叶卷积的原理架构与具体实现28

4.2.3模型改进30

4.2.4损失函数32

4.2.5图像后处理33

4.3实验结果与分析33

4.3.1实验环境及参数设置34

4.3.2评估指标35

4.3.3实验结果对比37

4.4本章小结46

第五章黄斑水肿OCT图像分割系统的设计与实现47

5.1需求分析47

5.2系统总体设计47

5.2.1系统整体结构48

5.2.2系统数据库设计48

5.3系统开发环境及开发方式50

5.3.1开发方式50

5.3.2开发环境51

5.4系统主要功能的实现51

5.5本章小结55

第六章总结与展望57

6.1总结57

6.2展望58

参考文献59

在学期间取得的科研成果63

致谢64

摘要

视网膜的黄斑区域水肿是一种影响人类视觉信号接收的严重疾病，其临床表现

包括视力模糊、中央视觉减弱、颜色感知异常等。视网膜光学相干断层扫描(Optical

CoherenceTomography，OCT)图像是治疗黄斑水肿疾病的重要参考依据。通过分割

视网膜OCT图像中的黄斑水肿区域，医生能够定量评估液体在黄斑区域的积聚程

度。然而传统的人工分割费时费力，而且容易掺杂个人的主观意见，从而导致分割

出的结果存在误差。因此，自动的黄斑水肿OCT图像分割方法在临床上具有很高

的应用价值。本文对基于深度学习的黄斑水肿OCT图像的分割方法进行了研究，

具体如下：

针对现有方法存在的水肿区域分割不准确以及错分漏分的问题，本论文引用一

个基于纯Transformer的U型结构医学图像分割模型Swin-Unet对黄斑水肿OCT图

像中的水肿病灶区域进行分割。相较于传统的卷积神经网络，Swin-Unet能够更好

地获取全局上下文信息，有效提高分割精度，减少水肿区域错分漏分的情况。本论

文选用杜克大学数据集和OCT2017数据集进行实验，并对OCT2017数据集进行了

精准的标注，之后使用双边滤波算法对数据进行降噪处理。为了提高模型的泛化性

能，对两个数据集分别使用数据增强技术进行扩增。最后使用加权交叉熵损失函数

与Dice损失函数的联合损失函数对原模型进行优化，提高模型的稳定性和鲁棒性。

通过对比实验，验证了Swin-Unet在黄斑水肿分割任务中的有效性。

为了解决Swin-Unet模型瓶颈处收敛性较差的问题，本论文利用黄斑水肿OCT

图像中的光谱频域特征，提出了一种基于残差快速傅里叶卷积瓶颈的Swin-Unet分

割方法。OCT图像中包含光谱频域特征，若忽视这部分特征，对单一的对空间特征

进行提取，很容易遗漏这部分重要的信息，导致黄斑水肿病灶区域分割不够准确。

本论文使用快速傅里叶卷积，通过残差连接的方式构建了频域特征提取模