糖尿病性视网膜病变检查方法的进展

糖尿病引起的眼部并发症较多,其中以眼底视网膜病变最为常见.对糖尿病视网膜病变传统的检查方法和新进展的检查方法做一综述,其中重点介绍了新进展的检查方法对糖尿病视网膜病变(diabetic retinopathy,DR)眼底表现的观察及对DR的早期诊断的意义和重要性.     

基于深度学习的眼底图像出血点检测方法

提出了一种基于卷积神经网络(convolutional neural networks,CNN)加条件随机场(conditional random fields,CRF)的眼底图像出血点检测方法。首先,为了避免图像背景区域对后续检测的影响,参考眼底图像中的灰度信息并根据眼底中心位置到其边缘的长度,将图像调整到合适的尺寸,再对图像进行线性加权增强其亮度和对比度;然后,用裁剪到的图像块在仿照VGG网络构建的CNN架构上去训练检测出血点的CNN模型;最后,为了克服CNN模型在出血点检测中误检、漏检等问题,采用CRF对CNN模型输出的概率图进行后处理,以实现眼底图像出血点的精确检测。提出的检测方法在公开的Kaggle与Messidor数据库上进行训练和验证,获得了98.8%的准确率、99.4%的召回率和99.1%的F-score。另外,在DIARETDB1数据库上测试的灵敏度达到98.5%,F-score为96.1%。实验结果表明,从图像视觉和定量检测2个方面均说明了提出方法的有效性和优越性。     

基于MA-DRNet的糖尿病视网膜病变等级识别方法

糖尿病视网膜病变是糖尿病并发症最常见的疾病之一。由于视网膜病变病灶具有特征复杂、特征差异小的特点,导致传统深度学习网络对视网膜病变等级识别存在错误率高、鲁棒性差等问题。针对上述问题,提出了一种MA-DRNet模型进行优化：(1)提出了一种多级特征残差块,提取不同分辨率多尺度特征、扩大模型感受野,加强模型对于小尺度病灶的学习能力以及模型对尺度的鲁棒性;(2)改进一种全局通道联合注意力机制,实现像素长距离依赖关系捕获和通道注意力,提升模型对复杂病灶表征效果;(3)设计集成难例挖掘训练方法,巩固对于困难样本的学习,融入集成的思想提升模型对易错样本的关注度。在Kaggle和Messidor两个公开视网膜数据集进行模型训练和测试,本文模型特异性为99.02%,敏感性为98.26%,准确率为98.87%,各指标均优于目前同类算法。大量的实验表明,MA-DRNet有效的解决了视网膜病变识别存在的问题,实现了视网膜病变等级的高精度辅助诊断。     

糖尿病视网膜病变相关研究进展

糖尿病视网膜病变是主要的致盲性眼病之一,本文就其病因、发病机制、诊断及治疗等相关研究进展做一综述,其中重点介绍了发病机制,强调了综合治疗的重要性.     

2型糖尿病视网膜病变大鼠模型建立

目的 建立2型糖尿病视网膜病变大鼠模型.方法 80只雄性SD大鼠随机分成两组:空白对照组(普通饲料)及T2DM组(高脂高糖饲料喂养4周联合30 mg/kg链脲佐菌素腹腔注射).链脲佐菌素注射后观察大鼠一般情况、每周测量体质量、随机血糖、空腹血糖、空腹血清胰岛素等指标,计算并分析胰岛抵抗指数(HOMA-IR).分别在血糖...     

糖尿病视网膜病变的防治研究进展

糖尿病视网膜病变(DR)是四大主要致盲眼病之一,近年来开展的激光光凝治疗、玻璃体切割手术和一系列药物治疗给DR的治疗带来了希望,文章对DR的治疗进展进行了综述.     

基于多尺度线性检测的视网膜血管分割

提出一种自动、高效的视网膜血管网络分割算法。该算法基于对视网膜图像的多尺度线性检测,线性组合各个尺度下的图像响应获取血管特征图像。通过形态学top-hat变换和线性滤波器消除图像噪声和视盘对线性检测的影响,并且增强血管(包含细小血管)的对比度,提高线性检测对细小血管的敏感度,从而提取出更加精确的血管树细节。利用DRIVE和STARE数据库的视网膜图像进行算法性能评估。实验结果显示该方法能够获得很高的分割准确度,几乎为手工分割的结果。同时该方法简单、快速,对噪声具有鲁棒性,适合用于眼科检查的计算机辅助治疗系统。     

基于全尺度跳跃连接的视网膜血管分割算法

为了解决经典分割算法对于视网膜血管分割精度不够的缺陷,通过将U-net3+(全尺度连接U形网络)应用于视网膜微血管分割,并加以改进来提高分割精度。首先利用U-net3+中的全尺度跳跃连接,提取更多尺度的视网膜微血管特征。针对细小血管难以捕捉的问题,将网络中的普通卷积换成可变卷积,它可以根据血管的形状、大小改变感受野的大小,提高算法的分割准确度。然后使用SFAM模块来优化U-net3+网络中的特征融合部分,保留更多的有用信息。在视网膜图像数据库上测试本文算法,结果表明,分割的平均准确率为97.63%,比传统的U-net网络和U-net3+网络分别提高了2.35%、0.99%。可见,改进算法有效提高了视网膜血管分割精度。     

MCFNet：融合上下文信息的多尺度视网膜动静脉分类网络

针对由于血管类间具有强相似性造成的动静脉错误分类问题,提出了一种新的融合上下文信息的多尺度视网膜动静脉分类网络（multi-scale retinal artery and vein classification network,MCFNet）,该网络使用多尺度特征（multi-scale feature,MSF）提取模块及高效的全局上下文信息融合（efficient global contextual information aggregation,EGCA）模块结合U型分割网络进行动静脉分类,抑制了倾向于背景的特征并增强了血管的边缘、交点和末端特征,解决了段内动静脉错误分类问题。此外,在U型网络的解码器部分加入3层深度监督,使浅层信息得到充分训练,避免梯度消失,优化训练过程。在2个公开的眼底图像数据集（DRIVE-AV,LES-AV）上,与3种现有网络进行方法对比,该模型的F1评分分别提高了2.86、1.92、0.81个百分点,灵敏度分别提高了4.27、2.43、1.21个百分点,结果表明所提出的模型能够很好地解决动静脉分类错误的问题。     

中心性浆液性脉络膜视网膜病变眼底荧光血管造影分析

目前认为中浆的病理改变是脉络膜毛细血管通透性增强及视网膜色素上皮屏障功能的破坏。其眼底荧光血管造影表现主要为渗漏点、视网膜色素上皮脱离和神经上皮脱离。本文就以上内容分析了506例中浆的发病机转,并提出了中浆急性期、中浆迁延期、中浆间歇期和陈旧性中浆四种诊断类型。     

基于残差U-Net网络的染色体图像分割方法

针对染色体识别的难题,提出一种基于残差U-Net网络的染色体图像分割方法.以残差网络和U-Net网络为基础简化深层网络的训练,利用丰富的跳跃连接促进信息传播;通过将U-Net网络底层的卷积层替换成不同尺度的空洞卷积,保持特征空间分辨率不变的同时扩大特征感受野,实现多尺度感受野提取图像特征的同时减少特性信息的丢失;压缩路...     

基于D-UNET的胎儿产前超声检测

胎儿的产前超声检测对判断或预测孕妇孕期、估计胎儿尺寸和质量具有重要意义.超声检测主要是基于超声图像对胎儿的腹围(abdominal circumference)、股骨长(femur length)以及头臀径(crown-rump length)等参数进行测量.这些生物参数的测量可以用来判断胎儿的生长状况是否良好以及胎儿是否畸形.当前,这些参数需要依靠医生进行手动测量,该方法效率低下且严重依赖医生经验,从而导致检测准确率下降.对此,本文提出了一种基于深度学习的算法来对腹围、头围、股骨等部位进行自动分割,并对这些生物参数进行自动测量.该算法基于UNET结构,并采用扩张卷积(dilation convolution)以提高网络提取上下文信息的能力,因此本文将其命名为D-UNET.本文基于腹围、股骨以及头臀径三个临床数据集对所提D-UNET进行了实验验证,并与一些其他先进的深度学习分割算法进行了比较.实验结果表明,本文算法在三个数据集上都表现了与专家医师手动标注接近的测量结果.由此说明,本文算法能辅助医师对生物参数进行自动测量.     

基于自适应池化的行人检测方法

基于卷积神经网络的行人检测器普遍采用图像识别网络,通常会引起多池化层导致小目标行人特征信息丢失、单一池化方法导致行人局部重要特征信息削弱甚至丢失等,针对以上问题,基于最大值池化和平均值池化方法,提出了一种自适应池化方法,结合通用目标检测器Faster R-CNN,形成了有效的行人检测器,达到增强行人局部重要特征信息、保留小目标行人有效特征信息的目的。对多个公开的行人数据集进行大量实验,结果表明,与传统的卷积神经网络行人检测器相比,所提方法将行人检测漏检率降低了2%～3%,验证了方法的有效性。新方法改进了卷积神经网络结构,在无人驾驶领域具有一定的参考价值。     

多焦视网膜电流图在糖尿病视网膜病早期诊断中的应用

为解决目前临床上对早期糖尿病视网膜病(diabetic retinopathy,DR)诊断困难的问题,利用多焦视网膜电流图(multifocal electroretinogram,mfERG)和模式分类的方法,对DR进行早期诊断和自动分类的研究。对31例正常样本和58例早期DR样本,提取mfERG信号的平均一阶响应(K1成分)峰值和模板相关系数两个关键特征。使用线性分类器进行分类,并用“留一法”统计结果,正常人和早期DR病例的分类错误率为21.35%。该文还用聚类方法分析了早期DR样本的分布特点。结果显示,使用平均一阶响应的N2峰的幅值和位置作为特征对早期DR的诊断效果较好;早期DR样本的聚类结果具有一定的临床价值。     

基于自组织特征映射网络SOM的图像分割方法

阈值法是图像分割中常用的有效分割技术之一,但是阈值的选取对分割结果影响很大,特别是对于生物医学图像,分割结果往往不能满足要求.本文将SOM神经网络应用到图像分割中,利用其自组织学习的能力自动获取阈值,其结果不仅优于传统阈值法,而且也优于竞争型神经网络.     

一种新型的图像型火灾识别算法的研究

图像型火灾探测技术是一种新型的探测技术,可以有效地克服传统火灾探测技术的缺陷.针对背景复杂的火灾图像,首先利用差分技术、RGB颜色分割技术和形态特征分割技术建立3层复合分割模型,排除大部分干扰,得到火焰疑似区域;然后分析火焰疑似区域的相似性测度、面积变化值、致密度、偏心率和质心点偏移距离等特征,这些特征可以较全面地表征火灾信息;最后利用RBF神经网络建立火灾识别模型,将提取出的火焰特征作为输入量,对火灾图像进行分类识别.仿真结果表明,该算法对不同场景的火灾识别具有较高的准确率.     

基于边缘检测与分裂合并的多区域分割研究

为了使多区域分割后的图像边缘更加清晰，提出了一种将边缘检测与分裂合并法相结合的多区域网像分割方法，其基本思想是用边缘检测算子与分裂合并法分别对同一幅图像进行分割，然后应用信息融合技术将经过上述处理后的两幅图像融合，得到新的图像，在进行图像融合时，采用了像素级和特征级两种融合方法．实验结果表明，该算法可将图像明显地分割成多个区域，且边缘清晰，分割效果令人满意．     

基于神经网络的茄子采摘机器人视觉识别方法

针对生长环境中茄子图像背景复杂的特点,提出了一种基于BP神经网络的图像分割方法。通过对茄子果实的分析,选取3×3邻域像素EXG灰度值作为图像特征。选取30幅图像作为训练样本,以人工借助Photoshop软件分割后的图像作为教师信号,采用改进的BP算法对神经网络的权值进行训练。经过120次循环后,获得有效的网络权值,误差为0．001。结果表明,利用BP神经网络能够较好地实现茄子与背景的分离,经过数学形态法结合中值滤波方法的进一步处理后完全能满足采摘机器人的要求。     

利用分区处理和水平集算法分割序列三维乳腺MRI

对比增强的磁共振成像技术是检测乳腺肿瘤的新方法,但需处理大量随时间变化的三维影像序列。为了从这种四维影像中分割出乳房组织,该文提出了自动分区域分割方法。先分割乳房与空气,并统计乳房部分的灰度;再分割乳房与胸腔,将前面统计出的乳房灰度作为先验知识设定初始轮廓和特征图像,采用基于阈值区间的三维水平集算法,并将前一时间点的结果作为后一时间点分割的初始轮廓,从而实现自动的四维分割。临床数据实验表明,该方法可有效地分割四维乳腺磁共振影像,且自动化程度和分割准确度均较高。