基于深度学习的OCT视网膜层分割系统设计与厚度测量优化.docxVIP

PAGE2

基于深度学习的OCT视网膜层分割系统设计与厚度测量优化

摘要

光学相干断层扫描（OCT）已成为视网膜疾病诊断的核心影像手段，但手动分割视网膜各层结构耗时且主观性强，难以满足大规模筛查与精准量化分析的需求。本文设计并实现了一套基于深度学习的OCT视网膜层自动分割与厚度测量系统，旨在辅助眼科医生高效、客观地评估视网膜结构变化。

系统采用U-Net语义分割网络作为核心算法，结合注意力机制与残差连接提升边界分割精度，并在后处理中引入图搜索细化层边界。围绕厚度测量，设计了层间平均厚度、局部厚度映射及对称性分析等量化指标，进而输出厚度异常预警。全文遵循“需求分析→总体设计→详细设计→实现→测试”的工程递进思路：第一章分析OCT分析痛点与国内外研究现状；第二章论证深度学习框架及图像处理工具选型；第三章明确系统功能与非功能需求；第四章给出分层架构与模块划分方案；第五章详述分割模型、厚度计算与接口设计；第六章展示核心功能的实现过程与关键代码；第七章通过功能、性能与精度测试验证系统有效性；第八章总结工作并展望未来方向。

本设计的核心特色在于：将注意力U-Net与图搜索后处理融合，在保证分割效率的同时，将层边界平均绝对误差控制在1.5像素以内；设计的厚度测量优化模块可自动生成厚度热力图，并提供左右眼对称性分析，为临床决策提供多维量化依据。

第一章绪论

1.1研究背景

光学相干断层扫