摘 要
视网膜病变在我们当中非常常见，它严重地威胁到了我们的健康，是世界性公共卫生类问题。由于视网膜病变多样且复杂，在耗时的手动诊断中很难进行检测，因此急需自动化的视网膜病变辅助诊断。而视网膜血管有一个独特的优势之处，那就是可以拍照且可以可视化。这个特性为我们观察视网膜病变提供了便捷，为患有眼科疾病的患者带来了福音。本课题即是在此背景下，通过自动分割眼底图像来帮助视网膜病变进行筛查及辅助诊断。
在分割眼底图像之前，本文首先对原始眼底图像进行数据的读取与保存，通过直方图均衡化和伽马变换对数据进行预处理，并使用随机切片法对数据进行扩增。之后采用U-net眼底图像分割方法和空洞卷积相结合的方法实现了眼底图像的分割。
最终，本文使用DRIVE数据集中的数据进行了实验，并将得到的结果与已有的研究结果进行了比较。结果表明，本方法即使在非常小的训练集上也能取得较好的分割效果。本方法相比于传统的U-net方法，增加了感受野，降低了计算量，减少了噪声造成的影响，有着较好的图片分割准确率，在性能上具有一定优势。
关键词：深度学习；眼底图像分割；U-net；空洞卷积
目 录
摘 要
Abstract
第1章 绪论
1.1 课题的研究目的及研究意义
1.2 国内外研究现状
1.2.1 国内研究情况
1.2.2 国外研究情况
1.3 研究内容
1.4 论文组织结构
第2章 相关理论基础
2.1 神经网络基础
2.2 卷积神经网络
2.2.1 输入层
2.2.2 卷积层
2.2.3 池化层
2.2.4 全连接层
2.3 全卷积神经网络
2.4 空洞卷积
2.5 本章总结
第3章 基于U-net与空洞卷积的眼底图像分割方法
3.1 引言
3.2 基于U-net与空洞卷积的眼底图像分割方法
3.2.1 U-net与空洞卷积的结合
3.2.2 U-net眼底图像分割方法
3.2.3 级联空洞卷积
3.3 人眼眼底图像分割方法流程
3.4 本章总结
第4章 实验及结果分析
4.1 实验设置
4.1.1 实验平台的选择
4.1.2 眼底图像数据库的选取
4.2 数据预处理
4.2.1 数据读取与保存的实现
4.2.2 对比度受限的自适应直方图均衡化
4.2.3 伽马变换
4.2.4 数据扩增：随机切片法
4.2.5 U-net与空洞卷积相结合的分割方法实现
4.3 实验对比
4.3.1 实验评价
4.3.2 DRIVE数据集训练结果
4.3.3 实验结果与对比
4.4 本文方法优缺点分析以及改进
4.4.1 本文方法优点
4.4.2 本文方法缺点
4.5 本章总结
第5章 总结与展望
5.1 工作总结
5.2 未来展望
参考文献
致 谢
