基于深度学习的无监督角膜视频分割方法研究.pdf

摘要

目前，医学图像分割任务主要通过算法模型学习复杂的器官组织结构，并从

嘈杂的背景中提取目标区域，从而为临床医学诊断提供可靠依据。角膜图像和视

频分割是医学分割领域的重要研究方向，现有的角膜图像分割算法大多是基于有

监督的方法，这需要消耗大量的时间成本对数据集进行标注。并且在角膜数据采

集过程中会因光线、角度等因素引入许多噪声，从而影响模型的分割性能。由于

网络层的加深，现有深度学习网络中的参数数量急剧增加，导致模型计算效率下

降。为了解决以上问题，本文提出了一个基于残差网络的无监督角膜分割算法，

并在该模型的基础上对于参考帧的选择进行算法分析，提出了基于参考帧迭代的

角膜分割进阶算法，本文工作主要包括以下两点：

（1）本文提出了一种基于残差网络的无监督角膜视频分割方法。通过统一

的网格化采样提取一组锚点为同序列视频帧所共用，从而减小网络模型学习特征

表示的计算量并且提高了计算效率。同时设计了一个正则化分支对原有的视频集

进行相似性转换来解决可能存在的退化解问题。与已有的无监督视频分割任务相

比，本文模型使用了少量的训练数据，但取得了更高的分割精度和计算效率。

（2）本文提出了一种基于参考帧迭代的角膜分割进阶算法。在工作（1）的

基础上引入参考帧迭代算法，通过设计简单帧选择器来为角膜分割模型选择一系

列“简单”的参考帧，从而提高角膜视频分割模型的性能。为了对简单帧进行迭

代选择，本文还提出了一种新的迭代掩码预测结构，在该框架中，使用简单帧选

择器对视频帧进行迭代评估，并从视频中选择质量更高的参考帧，从而提高角膜

分割模型的性能。迭代掩码预测包括简单帧选择器、双向掩码预测和时间信息更

新三部分。将基于参考帧迭代的角膜分割进阶算法在自建的数据集上进行实验，

该模型表现出的性能超过主流的一些分割算法，并且分割精度得到了较大的提升。

综上所述，本文提出了两个算法，分别是一种基于残差网络的无监督角膜视

频分割方法和一种基于参考帧迭代的角膜分割进阶算法，将这两个方法在自建的

角膜数据集上进行验证其分割精度分别为69.3%和73.3%。

关键词：角膜图像分割，参考帧，锚点，退化解，无监督学习

Abstract

Atpresent,medicalimagesegmentationtasksmainlyrelyonalgorithmmodelsto

learncomplexorgantissuestructuresandextracttargetregionsfromnoisybackgrounds,

providingreliableevidenceforclinicalmedicaldiagnosis.Cornealimageandvideo

segmentationisanimportantresearchdirectioninthefieldofmedicalsegmentation.

Mostexistingcornealimagesegmentationalgorithmsarebasedonsupervisedmethods,

whichrequireasignificantamountoftimeandcosttolabelthedataset.Moreover,

manynoisesareintroducedduringthecornealdataacquisitionprocessduetofactors

suchaslightandangle,whichaffectsthesegmentationperformanceofthemodel.

Duetothedeepeningofnetworklayers,thenumberofpara