基于深度学习的高血压视网膜病变分类的研究与应用.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国内外研究现状2

1.2.1医学图像处理图像增强方法研究现状2

1.2.2基于解剖结构视网膜血管分割的研究现状3

1.2.3基于深度学习的高血压视网膜病变分类技术研究现状5

1.3本文研究内容7

1.4本文组织结构8

第二章相关理论概述11

2.1几种不同的色彩空间11

2.1.1RGB色彩空间11

2.1.2CIELAB色彩空间12

2.1.3CIECAM02色彩空间13

2.2卷积神经网络14

2.3U-Net神经网络17

2.4DenseNet神经网络19

2.5本章小结21

第三章融合卷积注意力模块的高血压视网膜病变分类23

3.1卷积注意力模块23

3.2融合卷积注意力模块后的DenseNet的分类模型26

3.3实验结果与分析28

3.3.1实验环境及参数介绍28

3.3.2数据集29

3.3.3评价指标30

3.3.4结果分析31

3.4本章小结33

第四章基于多特征融合的高血压视网膜病变分类35

4.1面向不同色彩空间的眼底图像预处理35

4.2基于W-Net的视网膜血管特征分割37

4.3基于多特征融合的高血压视网膜病变分类模型39

4.4实验结果与分析39

4.4.1实验环境及参数介绍39

4.4.2数据集40

4.4.3评价指标40

4.4.4结果分析40

4.5本章小结42

第五章高血压视网膜病变分类系统43

5.1系统开发背景介绍43

5.2系统特点43

5.3系统界面功能需求设计44

5.4开发运行环境44

5.5系统界面功能展示45

5.6本章小结51

第六章总结与展望53

6.1总结53

6.2展望54

参考文献55

在学期间取得的科研成果59

致谢61

摘要

研究表明，高血压视网膜病变（HypertensiveRetinopathy，HR）是高血压并发症

的重要标志，也是评价心血管疾病风险的重要手段。传统的视网膜病变诊断依赖于

眼科专家的经验和肉眼观察，可能存在主观差异和疲劳等因素影响准确性。而深度

学习模型可以学习已标记好的眼底图像数据，通过自动化的特征提取和分类，能够

实现较高精度的病变识别，从而提高诊断的准确性和一致性。因此，本文将利用深

度学习的相关理论、方法和技术，对高血压视网膜病变分类展开分析和研究。

为了进一步提高分类模型学习特征的能力，本文提出了一种融合卷积注意力模

块的HR分类方法。通过在DenseNet神经网络中添加具有通道注意力机制和空间注

意力机制的特征变换层对特征进行识别，从而提高模型的特征提取能力。通过公开

数据集OIA-ODIR对改进后的分类模型进行测试，实验结果显示，添加了卷积注意

力模块后分类模型的准确率和敏感性分别提高了2.2%、3.89%。

为了进一步提高HR分类模型的性能，针对眼底图像包含的丰富生理、病理信

息，病灶特征、血管特征、视盘特征，本文提出了一种多特征融合的HR分类方法。