基于OCT的眼底积液自动检测.docVIP

基于OCT的眼底积液自动检测 摘要 视网膜中眼底积液的存在不仅可能会影响到患者的治愈，还会干预到患者手术后进一步的临床治疗，而眼底积液的及时检测，也有利于其它疾病的早期发现。光学相关断层成像技术(Optical Coherence tomography, OCT),由于其非接触性、非破坏性、极高的探测灵敏度与噪声抑制能力成为常见的无损检测成像技术，而眼科疾病的诊断就是其主要应用领域之一。医生可以通过观察视网膜层的OCT图像对患者的病情做出判断。 眼底积液根据其不同的形态和所处的位置具有不同的类型，而本文所研究的就是采用深度学习的方法检测OCT图像上的三种眼底积液相关疾病：黄斑囊样水肿、视网膜下液、视网膜色素上皮脱离。数据集有约1000张OCT图片，每一类330张左右。YOLO算法是常见的深度学习目标检测算法，它基于一个24层的卷积神经网络，算法简单且可以实时处理。Tensorflow作为目前最流行的深度学习框架，支持常见的神经网络，比如YOLO算法用到的卷积神经网络，而且Tensorflow还具有高度的灵活性。所以本课题选用了Tensorflow框架，Python编程实现YOLO算法，从而实现眼底积液的自动检测。最终积液类型判断的准确率高达92%，定位效果也在可接受的程度内。 关键词：医学影像处理，眼底积液，OCT，YOLO 前言 视网膜中积液的检测对于眼科疾病的诊断具有重要意义。视网膜中积液的存在会对患者的健康造成多种影响，不仅会影响到患者的视力，也会对临床治疗造成不利。而积液的正确诊断不仅有利于医生对眼科疾病的治疗，还有利于其它疾病的早一步发现，比如糖尿病。 随着大数据、云存储、GPU等的快速发展，深度学习，作为机器学习的一个分支，已经广泛应用在各个在领域。而随着GPU运算性能的不断提升，以及研究者们提出越来越多的新颖算法，将深度学习应用在医学影像领域已经成为可能。就视网膜积液检测这一研究课题，目前国内外已经取得了一些研究成果。采用的方法主要有传统图像处理算法和深度学习算法。近几年由于深度学习的迅速兴起，深度学习的应用飞速增长，并且效果也具有显著地提升。相比于传统算法，有着端对端以及准确率更高等优势。当前采用图像分割的深度学习方法已经能分割出视网膜的十层结构，并检测出其中的积液位置。 本文所采用的就是一种常见的深度学习目标检测算法YOLO，它将图片进行尺寸调整后，送入卷积神经网络得到特征图，最后通过非最大值抑制算法得到最终输出边界框的坐标和类概率。它具有运算速度快、泛化能力强、能看到全局信息等诸多特点。 第一章 绪论 1.1研究背景 1.1.1眼底积液 通常我们把人的视网膜划分为10层[1]，也就是11个表面。图1所示为视网膜各个表面在OCT图像上的示意图。 当视网膜毛细血管内皮的结构遭到破坏，血管内的液体和大分子就会向外泄露，液体积聚就会形成视网膜水肿。积液的存在不仅会影响到患者的视力，也会对临床治疗造成不利。而积液的正确诊断不仅有利于医生对眼科疾病的治疗，还有利于其它疾病的早一步发现，比如糖尿病。[2] 眼底积液根据其形态和所处视网膜位置的不同可以分为多种。本文所研究的分别是黄斑囊样水肿(cystoid macular edema, CME)、视网膜下液 (subretinal fluid，SRF)、视网膜色素上皮脱离(pigment epithelial detachment, PED)。 CME发生在第1表层和第7表层。由于黄斑区的Henlen纤维是放射状排列的，所以聚集在改成的积液具有多囊状的形态，通常中央的囊较大，周围围绕着一些小囊。 1.1.2 光学相关断层成像技术 近些年来，随着CT设备、扫描技术以及成像软件等的不断发展也技术革新，出现了许多的新的CT技术，光学相关断层成像技术，也就是OCT技术就是其中的一种。OCT技术主要采用光学干涉原理成像，可以分为时域OCT和频域OCT两类。目前时域OCT发展较为成熟。 OCT[4,5]常用在眼科疾病的诊断当中，它使得医生可以不再使用从前的检眼镜当场观察患者的眼睛，而是通过摄像的方式观察处理后的图像诊断病情。OCT成像技术有着许多优点，比如高分辨率、高安全性以及快速等。当前OCT成像技术已经在眼科疾病的诸多领域应用，比如本文研究的囊样水肿、视网膜色素上皮分离、视网膜下液，另外还有视网膜分支动脉阻塞、黄斑裂孔等[6,7]。本文使用的OCT图像三维OCT扫描仪得到，该扫描仪是Topcon公司的，在XZY方向上成像范围分别是6、6、1.68cm，这三个方向的像素个数分别是480、512、64个。 1.2 研究现状 当