[14]。計算公式如下4-2：?Jaccard=X∩YX∪Y（4-2）其中X∩Y——X與Y之間的交集；X∪Y——X與Y之間的并集。SEN指標計算靈敏度是得到正確分配的示例在正例中所占比例，衡量分類器正例識別的表現(xiàn)。計算公式如下4-3：Sen=TPP=TPTP+FN其中，TP——正類中的正樣本；FN——負類中的正樣本；P——正例。PRE指標計算精度就是對模型精確度進行量化通常使用的工具，也就是被分類為正例的示例在實際正例中所占的大小。計算公式如下4-4：Pre=TPTP+FN其中，TP——正類中的正樣本；FN——負類的正樣本。SPE指標計算特效度表示的是對負例樣本的識別能力。計算公式如下4-5：Spe=TNN=TNTN+FP其中，TN——負類的負樣本；FP——正類的負樣本；N——負例。數(shù)據(jù)集上指標計算從表4-4可以得出，在非灌注區(qū)這個數(shù)據(jù)集上，U-Net網(wǎng)絡(luò)模型具有最高的相似度、靈敏度等，DICE、IoU、SEN、PRE分別為0.7585、0.7021、0.8101、0.7834，相較于次優(yōu)結(jié)果0.7510、0.6943、0.7990、0.7725分別提高了0.9987%、1.1234%、1.3892%、1.4110%；雖然靈敏度不是最優(yōu)的，但是僅僅次于RestiFluidNet網(wǎng)絡(luò)模型，而且差距不大，綜上結(jié)果不難得出——U-Net網(wǎng)絡(luò)模型在非灌注區(qū)眼底數(shù)據(jù)集上的分割性能是最優(yōu)秀的，預(yù)測結(jié)果也是最準確的。表4-4非灌注區(qū)數(shù)據(jù)集上評價指標對比LesionMethodsDICEIoUSENPRESPE非灌注區(qū)U-net0.75850.70210.81010.78340.933ResUnet0.74830.66720.72110.74630.9248RseUnet++0.75100.68060.74310.74110.9213RestiFluidNet0.75010.68740.76530.75100.9330MFNet0.74140.69020.78950.76980.9305從表4-5可以得出，在視網(wǎng)膜內(nèi)微血管異常這個數(shù)據(jù)集上，U-Net網(wǎng)絡(luò)模型的預(yù)測結(jié)果與真實結(jié)果相似度是最高的，DICE、IoU、SEN、PRE分別為0.7871、0.6742、0.8392、0.7891，相較于次優(yōu)結(jié)果0.7734、0.6698、0.8010、0.7854分別提高了1.7713%、0.689%、4.7690%、0.4711%；雖然靈敏度不是最優(yōu)，但僅次于RestiFluidNet網(wǎng)絡(luò)模型，而且差距不大，綜上不難得出——U-Net網(wǎng)絡(luò)在視網(wǎng)膜內(nèi)微血管異常數(shù)據(jù)集上的分割性能最好，預(yù)測結(jié)果是最準確的。表4-5異常血管數(shù)據(jù)集上評價指標對比LesionMethodsDICEIoUSENPRESPE異常血管U-net0.78710.67420.83920.78910.9331ResUnet0.73720.64730.79350.75670.9314RseUnet++0.74560.60890.79990.72010.9248RestiFluidNet0.75880.66980.78600.77540.9457MFNet0.73490.63250.71030.78540.9105從表4-6可以得出，在新生血管這個數(shù)據(jù)集上，U-Net網(wǎng)絡(luò)模型也具有最高相似度、交并比等，DICE、IoU、SEN、PRE分別為0.7655、0.7112、0.7998、0.7961，相較于次優(yōu)結(jié)果0.7588、0.6899、0.7801、0.7879分別提高了0.8829%、3.0874%、2.5253%、1.0104%；雖然靈敏度也不是最優(yōu)的，但是也僅次于RestiFluidNet網(wǎng)絡(luò)模型，而且差距不大，綜上不難得出——U-Net網(wǎng)絡(luò)在新生血管數(shù)據(jù)集上的分割性能也是最好的，預(yù)測結(jié)果也是最準確的。表4-6新生血管數(shù)據(jù)集上評價指標對比LesionMethodsDICEIoUSENPRESPE新生血管U-net0.76550.71120.79980.79610.9541ResUnet0.74310.68910.73610.75410.9356RseUnet++0.74900.67390.75120.76320.9320RestiFluidNet0.75880.68990.77410.78790.9601MFNet0.74500.68960.78010.78540.9445總結(jié)與展望總結(jié)圖像分割的重大作用在醫(yī)學領(lǐng)域有著很好的體現(xiàn)，尤其是眼科領(lǐng)域。隨著電子設(shè)備的普及，越來越多的人患有眼睛疾病，加之各地醫(yī)療水平參差不齊，醫(yī)療資源也不平衡，所以急需一種效率高、分割精確的技術(shù)來實現(xiàn)對患者眼底圖像的精準處理及自動診斷。目前已有很多圖像分割技術(shù)，但由于種種原因還存在許多不足，比如細節(jié)特征信息提取不到位、邊緣分割不清晰等。本文提出了一種以深度學習為主要方法，OCTA眼底圖像作為研究對象，分析訓練改進了U-Net網(wǎng)絡(luò)分割模型，在U-Net網(wǎng)絡(luò)基礎(chǔ)上增加殘差網(wǎng)絡(luò)機制，避免了在提高細節(jié)特征提取能力的同時網(wǎng)絡(luò)的退化，并定性、定量證明了本文模型的優(yōu)異性。展望本論文的主要工作是對基于深度學習OCTA眼底圖像病灶分割方法進行研究，雖然改進后的分割方法較之前有所提升，但由于還未完全解決細節(jié)特征信息的提取不精確、圖片非常復(fù)雜等問題，所以還有許多方面需要進一步研究:(1)在眼底圖像病灶分割的領(lǐng)域中，當前多數(shù)網(wǎng)絡(luò)模型面臨著分割精度不高和耗時較長的問題。為了解決以上問題，本文所提出的方法還可以進一步優(yōu)化。未來，我們計劃引入更為先進的網(wǎng)絡(luò)模型，以期提升分割的精確度和效率。同時，對分割結(jié)果的邊緣進行精細化處理，也是可以提高整體的性能。通過這些努力，我們期望能夠更有效地輔助眼底疾病的診斷與治療工作。(2)目前，本文所探討的眼底圖像分割方法主要聚焦于二維圖像切片，但這種方法并未充分利用圖像中蘊含的三維空間上下文信息和序列信息。事實上，三維圖像分割技術(shù)能夠捕獲更豐富的特征信息，為手術(shù)規(guī)劃提供更全面的參考，并幫助醫(yī)生更準確地確定病灶的具體區(qū)域和位置。然而，對三維圖像的分割，實驗設(shè)備需要更加精密。因此，在未來的研究中，我們將根據(jù)實驗設(shè)備的條件，著重探討利用三維卷積神經(jīng)網(wǎng)絡(luò)進行眼底病灶分割的可能性，用來實現(xiàn)更清晰的分割。致謝感謝在本次畢業(yè)論文中所提供的專業(yè)指導(dǎo)，以及給予的幫助和支持，在寫作遇到困境時及時提供的指點與講解。在本論文即將完成之際，由衷的表示感謝和敬意。本科期間收獲的不僅只有知識，更珍貴的同窗之誼、師生之情，在此感謝學校以及老師四年對我的辛苦培養(yǎng)，感謝同學、舍友們?yōu)槲姨峁┑膸椭?。畢業(yè)不代表結(jié)束，我亦不會止步于此，我會學習老師們勤奮求真的治學態(tài)度，在本領(lǐng)域繼續(xù)開拓進取，不負老師、學校的尊尊教誨，感謝我的家人，正是因為他們一直以來對我學業(yè)的支持才使我走到這里，得以順利完成學業(yè)，見到更廣闊的天地。參考文獻盧柳琴.OCTA觀察早期糖尿病視網(wǎng)膜病變黃斑中心凹相關(guān)參數(shù)的臨床分析[D].右江民族醫(yī)學院,2024.DOI:10.27908/ki.gymzy.2023.000070.趙久玉,and蔡建超."基于Unet++網(wǎng)絡(luò)的數(shù)字巖心圖像分割泛化能力."

中國石油大學學報(自然科學版)

48.

02(2024):118-125.袁中華，我國盲和視力損傷的流行病學研究現(xiàn)狀．云南醫(yī)藥,2016,37(3):345-349.管懷進，我國防盲與眼科流行病學研究的現(xiàn)狀及發(fā)展．中華眼科雜志，2010,46(10):

938-943.王翀，基于深度學習的OCT圖像視網(wǎng)膜疾病分析方法研究，2020，TP391.王靜雯.基于深度學習的眼底圖分類與分割研究[D].華南理工大學,2020.DOI:10.27151/ki.ghnlu.2019.001128.高瑋瑋.眼底圖像分割算法及應(yīng)用研究[D].南京航空航天大學,2016.陳立.基于改進U-Net的病理圖像分割方法研究[D].陜西科技大學,2024.DOI:10.27290/ki.gxbqc.2023.000348.孫雪.基于U-Net的醫(yī)學圖像分割網(wǎng)絡(luò)研究[D].南京郵電大學,2023.DOI:10.27251/ki.gnjdc.2022.000920.宋杰,劉彩霞,李慧婷.基于U-Net網(wǎng)絡(luò)的醫(yī)學圖像分割研究綜述[J].計算機技術(shù)與發(fā)展,2024,34(01):9-16.朱水成.基于改進U-Net的肝臟CT影像分割方法研究[D].長春工業(yè)大學,2024.DOI:10.27805/ki.gccgy.2023.000706.張偉超.基于深度學習的腹部CT肝臟腫瘤圖像分割方法研究及應(yīng)用[D].西京學院,2023.DOI:10.27831/ki.gxjxy.2023.000044.RezatofighiH,TsoiN,GwakJY,etal.Generalizedintersectionoverunion:Ametricandalossforboundingboxregression[C].ProceedingsoftheIEEE/CVFConferenceonComputerVisionandPattemRecognition,2019:658-666.CuiY,JiaM,LinTY,etal.Class-balancedlossbasedoneffectivenumberofsamples[C].ProceedingsoftheIEEE/CVFConferenceonComputerVisionandPatternRecognition,2019:9268-9277.陳思源.一種基于改進U-Net的醫(yī)學圖像分割網(wǎng)絡(luò)[D].南昌大學,2013.DOI:10.27232/ki.gnchu.2022.003734.PanShaoming,LiuXin,XieNingdi,ChongYanwen.EG-TransUNet:atransformer-basedU-Netwithenhancedandguidedmodelsforbiomedicalimagesegmentation.[J].BMCbioinformatics,2023,24(1).王佳欣，朱志亮，鄧小明，馬翠霞，王宏安．基于深度學習的草圖分割算法綜述[J]．軟件學報，2022，33(07)：2729-2752．卞陽陽.基于U-Net網(wǎng)絡(luò)的醫(yī)學圖像分割方法研究[D].西北師范大學,2023.DOI:10.27410/ki.gxbfu.2023.001640.RonnebergerO,FischerP,BroxT.U-net:Convolutionalnetworksforbiomedicalimagesegmentation[C]//MedicalImageComputingandComputer-AssistedIntervention–MICCAI2015:18thInternationalConference,Munich,Germany,October5-9,2015,Proceedings,PartIII18.SpringerInternationalPublishing,2015:234-241.S.Taheri,S.H.Ong,V.Chong.Level-setsegmentationofbraintumorsusingathreshold-basedspeedfunction[J].ImageandVisionComputing,2010,28(1):26-37.J.Xuan,T.Adali,Y.Wang.Segmentationofmagneticresonancebrainimage:integratingregiongrowingandedgedetection[C]//Proceedings.,InternationalConferenceonImageProcessing.IEEE,1995,3:544-547.吳麗麗,曲毅.OCTA在病理性近視脈絡(luò)膜新生血管應(yīng)用及其在人工智能的研究進展[J].山東大學耳鼻喉眼學報,2024,38(02):144-149.RonnebergerO,FischerP,BroxT.U-net:Convolutionalnet-worksforbiomedicalimagesegmentation[C].InternationalConferenceonMedicalImageComputingandComput-er-AssistedIntervention,2015:234-241.JASWALD,SOWMYAV,SOMANKP.ImageClassifi-cationUsingConvolutionalNeuralNetworks[J].InternationalJournalofentificandEngineeringResearch,2014,5(6):1661-1668.DOI:10.14299/ijser.2014.06.002.GOODFELLOWI,POUGET-ABADIEJ,MIRZAM,etal.GenerativeAdversarialNets[J/OL].JournalofJapanSocietyforFuzzyTheoryandIntelligentInformatics,2017:177-177.RONNEBERGERO,FISCHERP,BROXT.U-Net:ConvolutionalNetworksforBiomedicalImageSegmentation[J].SpringerInternationalPublishing,2015.DOI:10.1007/978-3-319-24574-4_28.HEK,ZHANGX,RENS,etal.DeepResidualLearningforImageRecognition[C/OL]//2016IEEEConferenceonComputerVisionandPatternRecognition(CVPR),LasVegas,NV,USA.2016.DOI:10.1109/cvpr.2016.90.MaierA,SybenC,LasserT,etal.Agentleintroductiontodeeplearninginmedicalimageprocessing[J].ZeitschriftfürMedizinischePhysik,2019,29(2):86-101.OyebodeO,TapamoJR.Adaptiveparameterselectionforgraphcut-basedsegmentationoncellimages[J],ImageAnalysisStereology,2016,35(1):29-37.JhaD,SmedsrudPH,RieglerMA,etal.ResUNet++:AnAdvancedArchitectureforMedicalImageSegmentation[J].arXiv,2019.DOI:10.1109/ISM46123.2019.00049.RezaR,ArminB,MohammadR,etal.RetiFluidNet:ASelf-AdaptiveandMulti-AttentionDeepConvolutionalNetworkforR