视网膜OCT图像分类技术研究

This project is devoted to developing advanced retina OCT image classification techniques. The key problem to solve is to extract discriminative features from different retina OCT images with diseases so as to obtain high discriminant classifier. Since complex characteristic change of various retina diseases on OCT images, it is a challenging problem to get an accurate retina OCT image classification. This project introduces advanced classification method based on discriminative dictionary learning into analysis of retina OCT images, aiming at the characteristics of classical retina macular diseases such as diabetic macular edema, age-related macular degeneration and macula hole, it studies OCT image denoising, segmentation and alignment of retina regions on OCT images. It investigates how to extract high discriminant local features of multiple scales and then obtain the global feature vector representation of an image, and constructs high discriminant classifier based on discriminative dictionary learning. It evaluates the recognition performance of the developed automatic detection techniques for retina macula diseases. The findings of this research could provide state-of-the-art sparse representation classifier for retina image processing, and it would promote OCT image processing research and applications greatly.

本项目研究视网膜OCT图像的分类技术。拟解决的关键技术问题是，从不同疾病类型视网膜OCT图像中提取出高可分特征，获得高判别性分类器。由于视网膜疾病表现在OCT图像上特征变化的复杂性，视网膜OCT图像分类是一个具有挑战性的问题。本项目将基于判别式字典学习的分类方法应用到视网膜OCT图像分析中，针对视网膜黄斑疾病（如黄斑水肿、老年黄斑变性、黄斑裂孔）OCT图像的特点，研究图像降噪、视网膜区域的自动分割与对齐方法；研究视网膜OCT图像多尺度表示下的高可分特征提取方法，以及基于判别式字典学习的高判别性的分类器设计方法；评估自动检测算法对视网膜黄斑疾病的识别性能。该课题研究能够为视网膜OCT图像处理提供先进的分析方法，极大提高OCT图像处理的研究应用水平。

视网膜光学相干层析成像（OCT）技术能够可视化地显示视网膜的结构特征及变化，已成为眼科疾病临床诊断的基本工具。OCT图像的高精度分类对计算机辅助眼科疾病诊断具有重要应用价值。本项目以视网膜疾病的自动诊断为应用背景，采用字典学习和深度学习的先进方法，围绕二维视网膜OCT图像分类和三维视网膜OCT图像分类的关键技术开展研究，即从不同疾病类型视网膜OCT图像中提取出高可分特征，获得高性能的分类器。按照研究目标和研究内容，完成了项目的研究任务和各项预期指标。. 在OCT图像预处理方面，分别提出了基于形态学图像处理和全卷积神经网络图像分割的视网膜区域提取方法。. 在二维视网膜OCT图像分类方面，（1）提出了基于字典学习和稀疏编码的OCT图像特征表示及分类方法；（2）提出了通过学习PCA滤波器获得OCT图像的特征表示及分类方法；（3）提出了通过迁移学习同时学习OCT图像特征和分类器的CNN模型；（4）针对视网膜OCT图像与自然图像的不同特点，提出了ImageNet数据库预训练的CNN模型应用到OCT图像分类时优化的迁移学习方案；（5）提出了一种增强的UNet++型结构（MDAN-UNet）用于 OCT 图像端到端的自动分割（像素级的视网膜OCT图像分类）。. 在三维OCT图像分类方面，（1）基于多数投票策略，提出了一种自监督学习的三维视网膜OCT图像分类方法；（2）提出了三维OCT图像的全局特征表示方法以及具有注意力机制的CNN模型的三维OCT图像分类方法。. 本项目为解决视网膜OCT图像分类的关键技术问题提供了一系列先进的处理方法和技术，推动了黄斑区视网膜疾病智能诊断研究应用水平的提高。