光学相干层析成像眼底视网膜三维图像去抖动方法

眼底视网膜病变是大部分眼科疾病的来源。光学相干层析成像(OCT)具有无创性、成像安全快速等特点,在临床上被广泛用于眼科疾病的诊断。针对OCT视网膜三维图像因抖动产生的扭曲变形问题,提出一种基于曲线拟合的OCT视网膜三维重建图像去抖动方法,即通过预处理提取OCT视网膜图像的边界,再利用最小二乘法曲线拟合来计算各帧切片图像的偏移量。结果表明:所提方法对OCT视网膜三维重建图像扭曲变形具有明显的校正作用。     

采用自注意力机制的OCT图像AMD亚型分类研究

目前基于卷积神经网络(CNN)的视网膜光学相干层析成像(OCT)图像分类方法存在对于小范围病变区域识别不清的问题,导致在判断年龄相关性黄斑变性(AMD)疾病干湿性、脉络膜新生血管形成(CNV)的活动性时准确率不高,而正确判断病变类型对于眼科医生制定治疗方案至关重要。为此本文提出了一种基于自注意力机制的CNN模型MobileX-ViT,将传统卷积层和自注意力模块结合,同时提取浅层网络的特征信息并获取图像的全局信息,以提高模型分类准确率。实验证明,相比于经典CNN分类模型Inception-V3、ResNet-50、VGG-16和MobileNeXt,文章提出模型在分类准确率上分别提高了5.6%、5.3%、4.5%和2.8%,证明了模型的有效性,为解决目前视网膜OCT图像分类中对于小范围病变区域识别不清的问题提供了新的方法。     

视网膜OCT图像中液体分割方法的研究

光学相干层析成像(OCT)广泛应用于眼科,用于观察视网膜的形态,对病变区域的检测和诊断评估具有重要意义。由于液体的积聚引发的一系列视网膜疾病,针对视网膜OCT图像中的液体检测和分割问题,设计了一种具有全局上下文特征信息的神经网络,利用多尺度的特征提取与融合的方法,提出了一种多尺度的并行提取与高度融合的U型网络模型PH-UNet,这是一种新的用于视网膜OCT图像液体区域分割的深度卷积神经网络。PH-UNet网络通过捕获多尺度的上下文信息,更好地利用信息提取和融合的方法对视网膜OCT图像中液体区域进行端到端的分割。将提出的模型对MICCAI RETOUCH数据集中三种视网膜液体视网膜内液体(IRF)、视网膜下液体(SRF)和色素上皮脱离(PED)进行分割并与其他经典的分割网络模型进行了比较,在precision精确率、dice相似系数、mIoU平均交并比三种指标上取得了最佳效果证明了其优越性。     

视网膜光学相干层析图像的预处理方法

光相干层析技术(OCT)是近来发展起来的成像技术,利用光相干层析技术可以得到清晰的视网膜以及黄斑区的层析图。主要论述了在开发视网膜光相干层析图像识别和临床诊断系统中采用的图像预处理方法。利用图像分割、图像增强等处理技术,实现了图像的自动边缘检测与轮廓提取。通过对视网膜光相干层析图像进行预处理,为进一步的图像识别与分析打下了良好的基础。对黄斑囊样水肿、黄斑裂孔以及正常的视网膜光相干层析图像进行了实验,均取得了较好的效果。     

一种眼底黄斑水肿OCT图像分割方法

黄斑水肿(ME)被认为是增殖性糖尿病视网膜病变的主要适应症之一,由于视网膜下层中蛋白质沉积物的积累,ME引起视网膜肿胀。光学相干断层成像(OCT)通过显示黄斑病变的横截面视图提供了ME的早期检测。文章提出了一种新的算法,即改进遗传算法和最佳熵法相结合的方法,可以在前期工作的基础上提高时间效率,从5s提高至0.7s。算法首先对图像预处理,排除血管和散斑噪声对分割效果的影响,再将信息熵作为遗传算法(GA)的适应度函数,将最大熵作为遗传算法的收敛准则。经过遗传操作,得到最佳阈值,对黄斑水肿OCT图像进行分割,然后对得到的二值图像进行边界平滑处理,得到最终的分割图像。所述方法对300张黄斑水肿OCT图像进行了分割,与Canny算子、OTSU分割算法和临床医生手动分割结果相比较。结果表明,算法能够快速准确提取黄斑水肿区域,为临床诊断和治疗提供了定量分析的工具。     

多尺度条件卷积的OCT视网膜图像降噪研究

散斑噪声存在于光学相干层析成像(OCT)中,影响OCT图像质量.在使用OCT设备诊断各种常见眼科疾病时,高质量的OCT图像是极为重要的.利用深度神经网络对OCT图像进行降噪处理,使图像在保留空间结构细节的基础上能展示更多的信息.提出了一种基于残差学习网络的新型OCT图像降噪网络-CMCNN,其具有多尺度、多权重和多层次...     

基于光学相干层析成像的视网膜图像自动分层方法

利用光学相干层析成像(OCT)获得视网膜图像并对其进行分层,进而获得各视网膜层的厚度,在许多眼科疾病的临床诊断中具有重要作用。高散斑噪声、低图像对比度、存在血管等复杂结构等因素使得对视网膜的精确分层难以实现。提出了一种视网膜OCT图像的自动分层方法,利用三维块匹配和均值滤波去噪对图像进行预处理,分两步对视网膜图像分层,在每个A扫描上设置可变阈值进行逐层分割作为初步分层结果,然后对各层的初步分层结果进行连续性和完整性判断和修正。对健康和患病视网膜的OCT图像进行分层以验证提出方法的有效性。实验结果显示该方法能够精确地分出9层视网膜层,平均层边界位置偏差为(1.34±0.24)pixel。该方法能够适应噪声高、对比度低的图像,对存在血管等复杂结构的图像同样能够实现较好的分层。     

基于Improved DR-Net算法的糖尿病视网膜病变识别与分级

针对糖尿病性视网膜图像数据集的不均衡、组织形态的特征提取不充分、分级准确率不高等问题,本文提出一种基于DR-Net模型的改进识别算法,即Improved DR-Net.选用Kaggle失明检测竞赛数据集APTOS 2019 Dataset,采用多种数据增强策略扩充数据集,并引入Eye-PACS数据集进行无偏修正,同时采用高斯滤波等形态学方法增强眼底图像特征;对ResNext50聚合残差结构进行预训练,通过迁移学习对基线模型进行参数及结构微调;引入空洞卷积代替普通卷积,融合注意力机制进一步优化模型性能.测试结果表明,本文所提的Improved DR-Net模型大大提高了糖尿病视网膜病变分级的准确率:阳性预测值97.9％,阴性预测值98.03％,准确率达到98.04％,远高于同类算法.结合深度学习技术辅助视网膜病变的筛查,对于视网膜病变的早期自动筛查具有一定的指导意义.     

基于小波分解金字塔的OCT图像特征提取算法

糖尿病性黄斑水肿(DME)是导致失明的主要原因之一,由专业的医生通过检查光学相干扫描(OCT)图像是主要的诊断方法,但这一过程不仅耗时而且容易误判,提出一种辅助诊断模型来区分DME和正常黄斑。对原始OCT图像进行降噪、展平、裁剪预处理,得到易于分类的病灶区图像,在小波分解金字塔模型的基础上用局部二值模式方法对原图和低频子图像提取纹理特征;与提取细节图像的灰度-梯度共生矩阵特征融合形成最终的全局特征,并对其进行降维;用weka平台的序列最小优化模型进行分类。在杜克大学数据集和临床数据集上的试验结果表明,算法在两个数据集上验证的准确率分别为95.7%、95.3%,灵敏性分别为95.3%、95.5%,特异度分别为96.0%、95.1%。因此,所提方法能有效对OCT图像分类,为临床上视网膜疾病辅助诊断提供技术支撑。     

眼科光学相干层析成像的图像处理方法

光学相干层析成像(OCT)由于具有微米级高分辨率、非接触式成像以及瞬时性等特点,成为临床医学领域的研究热点,近些年得到迅速的发展,取得诸多进展与突破。本文简述了OCT技术在眼科医学中的各类应用及发展现状,分类讨论了OCT图像在空域和频域中的降噪方法,并重点总结了OCT眼前节和视网膜图像中各层组织的精确定位分层方法。其中深入分析了基于灰度值搜索方法、活动轮廓模型、图论和模式识别等分层方法,并针对现有分层方法的优缺点以及存在的问题展开深入讨论,提出相应的解决方法和优化方案。对眼科相关疾病的临床诊断指标分析评价,根据眼科临床医学需求和OCT图像处理现状,对未来OCT图像处理的发展趋势和发展水平做进一步讨论和分析。     

基于模块化降噪自编码器的视网膜OCT图像降噪方法

针对光学相干层析成像（OCT）过程中，光线散射、目标微动和硬件抖动等原因引起的噪声干扰，尤其是视网膜OCT图像中存在的严重噪声干扰问题，提出了一种基于模块化降噪自编码器的渐进式OCT图像降噪方法。使用多层卷积和反卷积构建自编码器，以模块化深度神经网络的架构为基础搭建了具有多个自编码器模块的神经网络，每个自编码器模块可依次输出降噪程度逐渐升高的过程结果，以满足不同的使用需求。以均方误差、峰值信噪比和结构相似度作为降噪结果的评价指标，对编码器模块数量T的研究结果表明，所设计的编码器在T=4时具有最佳性能。利用所提方法和各种主流方法对正常眼和病眼的视网膜OCT图像进行降噪处理，结果表明所提方法在各项指标上均取得最优结果，可以有效地对视网膜OCT图像进行降噪处理和大幅提升图像的质量。     

基于深度学习的视网膜OCT图像无监督去噪方法

以散斑噪声为主的噪声干扰严重影响视网膜光学相干层析（OCT）图像质量。深度学习是一种有效的去噪方法。但对活体成像而言,其很难获取多帧配准的真值图像,这影响了监督学习方法的效果。提出一种无监督深度残差稀疏注意力网络用于视网膜OCT图像去噪,并分别从视觉评价和数值评价两方面与传统的三维块匹配滤波去噪算法和经典的深度学习去噪网络进行对比。研究了监督学习与无监督学习策略下3种卷积神经网络的去噪性能,并利用公开的视网膜OCT图像数据集进行泛化能力测试。实验结果表明：所提算法的视觉评价和数值评价均具有良好的降噪效果,可以实现视网膜OCT图像高质量降噪,具有较强的泛化性,而且与监督学习相比,无监督学习在数据集不充分时仍能获得较好的降噪性能,可以有效地辅助医生进行准确高效的临床诊断。     

微型快照式窄带多光谱成像宫颈癌筛查方法

白光阴道镜图像对比度较低,不利于医生鉴别不同病变程度组织,也不利于自动化宫颈癌筛查。利用癌变组织富含血红蛋白成分及血红蛋白具有特征波段这一特性,与传统高光谱空间扫描成像及分时获取不同波段多光谱成像方法相反,利用快照式多光谱窄带成像来加速光谱图像获取过程,提升不同病变程度组织之间灰度对比度同时,降低后续图像分析处理算法难度,实现对宫颈组织病变类型高帧率自动化分类。首先,使用微型快照式窄带多光谱摄像方法,在血红蛋白的两个强吸收峰(415±10)和(525±10) nm、一个反射带(620±10) nm和一个背景波段(450±10) nm共四个波段对宫颈组织进行快照式零时差获取四幅窄带光谱图像。而后,对所获取的光谱图像进行简单代数加减,以生成突显病变组织的融合图像,提高不同病变程度组织之间的对比度。最后,使用欧式距离分类算法,对光谱融合图像中不同病变级别进行分类,建立计算机辅助宫颈癌筛查方法。创新点在于实现了高帧率计算机辅助光学病理诊断方法。分别采用临床常规白光阴道镜及微型快照式窄带多光谱摄像对宫颈癌手术切下的新鲜组织进行彩色图像及光谱融合图像的高帧率采集,并使用同一个欧式距离分类算法对两种图像进行自动分类,分类结果都以组织病理诊断作为标准来计算正确率。通过对比两种分类结果正确率来检验光谱融合图像相对于彩色图像是否提升对比度,及其是否可以实现与组织病理诊断(金标准)结果一致的诊断。欧式距离分类算法对光谱融合图像分类准确率接近100%,远高于对白光阴道镜图像约50%的准确率。多位临床医生对基于微型快照式多光谱摄像头光谱融合图像的计算机自动分类结果表示接受。微型快照式窄带多光谱成像方法能有效提升光谱融合图像获取帧率及不同病变程度组织之间灰度对比度,能有效快速地将宫颈组织划分为与组织病理诊断结果一致的病变类型。由于诊断客观、无创伤、结果立等可得,该方法将有助于实现落后地区宫颈癌筛查的普及以及图像导航下的宫颈癌精准治疗手术。     

基于多源信息和深度学习的多作物叶面积指数预测模型研究

叶面积指数(LAI)是评价作物长势的重要参数,快速、准确、低成本地获取作物LAI对于指导作物田间管理有重要的意义。为了低成本获取多种作物的LAI,基于多源信息和深度学习构建了通用的LAI预测模型。在大豆、小麦、花生、玉米四种作物的六个生长时期进行了大田实验,以获取用于建模的多源信息。使用航拍无人机获取作物低空可见光图像、红边图像和近红外图像等多光谱图像信息,此外还采集相关的一维数据信息,包括无人机飞行姿态、拍摄高度、作物生长状态和环境光照。借助深度学习出色的图像和数据处理能力建立基于复杂输入信息的LAI预测模型,考虑到一维数据也要参与模型的训练过程,在设计模型时,采用了组合型网络架构。在卷积神经网络(CNN)算法提取图像深度特征的基础上加入了LightGBM算法用于结合图像特征和一维数据实现作物LAI的最终预测。CNN模型部分使用了VGG19, ResNet50, Inception V3和DenseNet201四种常见的结构。为了更好地说明CNN模型提取图像特征的能力,分析了不同图像输入下四种模型的作物分类情况。结果表明,以可见光、红边和近红外图像为输入时,四种模型的分类准确度均相较...     

广域视网膜成像技术研究

针对传统眼底照相机检查不到视网膜边缘的缺陷,提出一种基于Volk角膜接触透镜的免散瞳广域视网膜成像系统。照明充分时,Volk镜头能够达到130°以上的视场。在传统眼底相机的基础上改进照明方式, 采用外部环形光纤照明的方式实现视网膜广域照明。增大入射角度消除鬼像的影响,同时避免由环形照明方式导致的中心区域的暗斑现象,被照亮的眼底图像经过接目物镜组消除眼角膜反射造成的杂光并采用手动调焦的方式在CMOS相机上成现清晰的像。图像采集使用(2/3)英寸板面彩色CMOS相机并且实时上传至电脑客户端进行分析、处理、存档等操作,经过后期图像处理后可为各类眼科疾病的诊断、筛查提供清晰、客观的依据。     

硅V型槽表面形貌的OCT可视化测量

介绍了一种硅V型槽表面形貌测量的可视化方法,分析了谱域OCT的测量原理。利用谱域OCT实验测量系统进行了硅V型槽的成像实验,得到了硅V型槽的二维层析图像;通过分析二维层析图像,获取了硅V型槽的结构尺寸,实现了硅V型槽表面形貌的高精度可视化测量。     

残差网络分层融合的高光谱地物分类

高光谱图像具有较高的空间分辨率,蕴含着丰富的空间光谱信息,近年来被广泛用于城市地物分类中。在高光谱图像分类过程中,空间光谱特征的提取直接影响着分类精度;传统的高光谱图像特征提取方法只利用了4或8邻域的像素进行简单卷积处理,因而丢失了大量的复杂、有效信息;卷积神经网络（CNN）虽然可以自动提取空间光谱特征,在保留图像空间信息的同时,简化网络模型,但是,随着网络深度增加,网络分类产生退化现象,而且网络间缺乏相关信息的互补性,从而影响分类精度。该工作引入CNN自动提取空间光谱特征,并且针对CNN深度增加所导致的退化问题,设计了面向地物分类的高光谱特征融合残差网络。首先,为了降低高光谱图像的光谱冗余度,利用PCA提取主要光谱波段;然后,为了逐级提取光谱图像的空间光谱特征,定义了卷积核为16,32,64的低、中、高3层残差网络模块,并利用64个1×1的卷积核对3层特征输出进行卷积,完成维度匹配与特征图融合;接着,对融合后的特征图进行全局平均池化(GAP)生成用于分类的特征向量;最后,引入具有可调节机制的Large-Margin Softmax损失函数,监督模型完成训练过程,实现高光谱图像分类。实验采用Indian Pines,University of Pavia和Salinas地区的高光谱图像来验证方法有效性,设置批次训练的样本集为100,网络训练的初始学习率为0.1,当损失函数稳定后学习率降低为0.001,动量为0.9,权重延迟为0.000 1,最大训练迭代次数为2×104,当3个数据集的样本块像素分别设置为25×25,23×23,27×27,网络深度分别为28,32和28时,3个数据集的分类准确率最高,其平均总体准确率（OA）为98.75%、平均准确率（AA）的评价值为98.1%,平均Kappa系数为0.98。实验结果表明,基于残差网络的分类方法能够自动学习更丰富的空间光谱特征,残差网络层数的增加和不同网络层融合可以提高高光谱分类精度;Large-Margin Softmax实现了类内紧凑和类间分离,可以进一步提高高光谱图像分类精度。     

光学相干层析成像技术原理及研究进展

光学相干层析成像(Optical Coherence Tomography,OCT)是一种基于低相干光干涉原理,利用样品背散/反射光与参考光相干的非接触非侵入性的新型成像技术,可提供具有微米级分辨率的一维深度,二维截面层析和三维立体的实时扫描图像。OCT技术具有非接触、无损伤、图像分辨率高且操作简单、便携等优点,主要应用于生物医学成像和诊断领域,弥补了共聚焦显微镜成像穿透深度低和超声波成像分辨率低的不足。目前,OCT技术已作为诊断视网膜疾病的临床标准,而且OCT技术结合内窥镜技术已成为临床上心血管及肠胃疾病诊断的重要工具,同时也为肌肉骨骼疾病,乃至癌症早期诊断、手术指导及术后康复提供依据。为了拓宽OCT技术的应用范围、提高医疗检测水平,研究人员正致力于增加OCT系统在生物组织中的穿透深度、提高系统的分辨率和信噪比、优化系统综合性能等方面的研究。本文论述了OCT系统的原理、分类,以及其在不同生物医学领域的应用及最新进展。     

基于有监督对比学习的遥感图像场景分类

针对遥感场景图像中复杂背景以及类内多样性和类间相似性影响场景分类性能的问题,提出一种基于有监督对比学习的遥感场景分类方法。该方法包含判别性特征学习和线性分类两个阶段。在判别性特征学习阶段,引入有监督对比损失以拉近同类场景间的距离并增大不同类场景间的距离,提高类内多样性和类间相似性场景的判别能力;然后引入门控自注意模块对无用的背景信息进行过滤且聚焦关键场景区域,提高复杂背景的场景识别;最后引入一个预训练的Inception V3语义分支,把语义分支和原始模型提取的特征进行融合增强特征判别能力,以提高场景分类的整体性能。线性分类阶段通过对特征学习阶段训练的模型进行微调获得分类结果。在AID和NWPU-RESISC45数据集上的综合实验证明了所提方法的有效性。     

扫频光学相干层析视网膜图像配准去噪算法

多帧叠加平均处理是去除扫频光学相干层析系统散斑噪声、获得较为清晰结构信息的有效方法,但眼睛的震颤、漂移、微眼跳等生理特性和系统光路特性会使图像之间存在错位,导致叠加效果不佳、结构稳定性差,为此本文提出一种基于灰度分布信息和目标几何信息相结合的配准算法。该方法根据图像平均灰度分布提取包含目标信息的感兴趣区域,通过相位相关算法和基于分段拟合的灰度投影算法的双重作用校正图像的平移变换;通过拟合视网膜上边界作为特征点迭代确定最佳旋转参数,并再次重新估计平移参数,实现图像的刚性配准;最后通过轴向扫描一对一映射法以能量函数为约束条件实现图像的非刚性配准。对活体兔眼进行实验,结果表明,本文算法配准后的叠加图像边界清晰,结构信息增强,信噪比和对比度平均有效提高一倍多。本算法适用于强噪声视网膜B-Scans图像的配准,能满足多种类型OCT系统的叠加成像需要,具有较高的鲁棒性和图像配准精度。