论文部分内容阅读
青光眼是视神经逐渐受损的一种慢性眼部疾病,是目前仅次于白内障的第二大致盲眼病,其造成的视力损伤是不可逆的。在早期阶段及时确诊青光眼是治疗和控制病程的关键。青光眼的病征集中在眼底视乳头区域,主要表现为眼压升高、视神经萎缩与塌陷以及视野缺损。大量文献表明,杯盘比和视野缺损程度是有关联的,选取杯盘比作为青光眼病变诊断的一项评价指标是合理的。美国国家卫生研究所已经正式将杯盘比注册为青光眼的一个诊断标准。目前对于青光眼杯盘比的研究主要集中在眼底彩照领域,对于杯盘比的计算方式相对单一,即依赖视网膜视杯盘的分割结果。本文提出了一种基于OCT图像的杯盘比分析方法,首先检测Bruch膜开角位置,然后分割视网膜内界膜,最后根据两者之间的位置关系计算视乳头杯盘比。本文的主要工作与创新点总结如下:1.借鉴了 ResNet网络的残差结构与Faster-RCNN,提出了一种基于卷积神经网络的视网膜Bruch膜开角检测方法。设计了一种对特征图进行通道选择性增强的残差结构,在特征提取阶段加入对特征图各个通道打分的机制,一定程度上解决了前景较小时,卷积神经网络关注度不平衡的问题。并且在特征提取网络主干旁并行地加入多尺度模块,以解决一般卷积神经网络感受野的多样性与全面性的问题。在对Bruch膜开角坐标回归前加入对视乳头区域特征图的计算,进一步解决Bruch膜开角作为前景与背景区域极度不平衡的问题。模型使用迁移学习的方式加载在ImageNet 上预训练的ResNet网络参数用作初始化。2.提出了一种改进的U-Net网络结构——UJ-Net,用于实现视网膜区域分割并提取视网膜内界膜。首先,估算视网膜区域分割任务的感受野,调整原始U-Net的网络深度。其次,在U-Net的编码器与译码器部分加入改进的通道选择增强残差结构,用以解决网络对视网膜区域关注度较低的问题。然后,考虑到视乳头筛板部分易受噪声干扰、光信号较差造成的成像不清晰等问题,首次提出了抑制噪声对分割结果影响的J-Net结构,通过对U-Net编码器输出的高维特征图加噪,增加一个对加入噪声的视网膜图像进行分割的副任务,通过多任务学习的方式提高视网膜区域的分割准确率。根据检测出的Bruch膜开角与视网膜内界膜确定视网膜OCT单一切片上视杯盘边缘位置,整合所有切片,通过最小二乘法椭圆拟合出视杯盘区域,计算出视杯盘比。实验测试数据集包含了 22个原发性开角型青光眼(Primary Open-Angle Glaucoma,POAG)数据。采用专业医师的标注作为金标准,本文方法拟合出的视杯盘区域的DICE 系数为 96.24%,交并比(Intersection over Union,IoU)为 95.67%,与金标准的杯盘比绝对误差为0.058,标准差为0.021,并与基于眼底彩照的杯盘比计算方法进行了比较。实验结果表明本文基于OCT图像获取的杯盘比更接近于临床金标准,对于青光眼的临床诊断具有参考价值。