2022年机器智能辅助诊断眼底病变综述.docx

精品学习资源基于机器视觉的眼底病变帮助诊断1、眼科影像学在眼底病中的应用世界卫生组织公布的权威数据显示，中国已成为世界头号盲人大国，且存在高致盲风险的低视力人群数也位居全球第一；据说明， 面对总人数高达 1.5 亿之巨的盲人与存在视力问题的人群，平均每位眼科医生需要解决超过5000 人的眼健康问题，几乎是一个“不行能完成”的任务； 存在着偏远地区缺少眼科专业医生，发达地区大型医院眼科医生供不应求的现 状；随着医学与现代科学的不断进展，医学影像学Medical Imaging就是众多与医学相关的新兴交叉学科之一， 已广泛用于医学诊断领域， 在临床应用中可为疾病的诊断供应大量科学和直观的依据， 可协作临床的症状、化验等进行最终的精确病情诊断，也可很好地应用于治疗方面； 医学影像学是眼科疾病诊断的基础，可猎取诊断和治疗所需的外形学、定性和定量的指标， 其中，眼科影像学设备是眼科诊疗的关键；眼科影像学诊断方法可分为：射线诊断x 线、 CT和 MRI 等 、声像诊断 A 超、 B 超、 CDI 和 UBM、 眼底血管造影 FFA 和 ICGA和光像诊断 角膜地势图、晶状体外形图和眼底地势图等 ，见表 1.表 1 眼科影像学应用眼科影像学方法主要临床应用裂隙灯显微镜眼前节结构及相关病变检查眼底照相机眼底视网膜、视网膜血管、视盘、黄斑及相关病变检查荧光素眼底血管造影FFA眼底血管外形、微小变化、视网膜血液循环和色素上皮层检查吲哚青绿血管造影 ICGA视网膜、脉络膜循环结构和脉络膜血液循环情形检查相干光断层成像 OCT视网膜、黄斑相关病变检查，眼前节结构、视神经纤维层测量视网膜厚度分析仪通过三维视网膜厚度地势图进行各种常见眼底病变的诊疗A 型超声眼部的生物测量和病变性质判定B 型超声眼球和眼眶组织的外形学检查超声生物显微镜 UBM玻璃体周边检查和视网膜四周检查彩色超声多普勒成像CDI眼球、眶部血管性病变检查和肿瘤的血流特点检测激光扫描检眼镜 SLO眼底血管造影，眼底及视功能检查欢迎下载精品学习资源电子电脑断层扫描 CT眼球、眼眶及眶周组织病变检查磁共振成像 MRj眼球、眼眶及眶周组织的软组织检查随着社会经济的快速进展, 生活水平的提高 , 生活模式的转变 , 以及人口老龄化的快速到来, 全球糖尿病、高血压等病症的患病率和患者数正以惊人的速度增长；以糖尿病为例，我国近 20 年来糖尿病患病率增长了10 倍左右 , 依据世界银行亚太地区报告的猜测, 糖尿病将在下一个十年成为我国最流行的疾病；糖尿病、 高血压、 高度近视患者都是患眼底病几率较大的人群； 糖尿病性视网膜病变、 高血压导致的视网膜动脉硬化等属于眼底病变， 都可能导致失明或视觉损耗； 眼底是指用肉眼无法窥见的眼球后段球内组织，眼底疾病变包括了视网膜， 脉络膜，视神经及玻璃体的炎症，肿瘤，各类血管的病变，各种变性疾病及多系统疾病引起的眼部病变； 不仅种类繁多， 而且对视功能损害较大； 目前常见而又影响视功能的眼底疾病有糖尿病视网膜病变， 老年性黄斑病变， 视网膜静脉堵塞等等； 眼底疾病变常见于动脉硬汉， 高血压，糖尿病，肾炎，贫血，流感，结核，高度近视，颅内上位性病变等；假如能够得到尽早的诊断和治疗， 就可以有效的掌握病情的进展；另一方面，通过对眼底病变的观看，可以帮助诊断其他疾病的进展；常见的眼底病变影像诊断方式有：1、 检眼镜； 目前常用的直接检眼镜检查方式，费时费劲， 一些瞳孔较小的患者需要进行散瞳，易引起眼压上升，不适用于高血压、青光眼等不适于进行散瞳检查的患者；2、 免散瞳眼底照相；利用高感光原理, 提高相机的感光度, 使用较弱光线 瞳孔较大 对眼底进行照相，能够在短时间取得图像，假如不清楚，就可以通过现代技术手段降低误差，便利资料储备；且成像清楚，能够看到更多细节，极大地缩短了诊断周期， 并减轻了散瞳剂给患者带来的痛楚；在掌握质量上和二次取得图像方面，具有比较优势；同时也能在小瞳孔的条件下，将眼底图像加以记录，防止胶片作为储备介质的缺点；受试者能够取得良好依从性；3、 荧光素眼底血管制影； 是 20 世纪 60 岁月兴起的眼科检查手段； 利用荧光素钠做为制影剂畴前臂静脉快速注入，当荧光素钠随血流进入眼底血管时，通过一组滤色片的眼底摄影机，连续拍照眼底血管外染料轮回时接收激发光线发射出的荧光外形，以观察视网膜动态轮回的过程，从而得以体会眼底血管的微细结构和微轮回的变化，为诸多眼底病的发病机理、诊断、医治和预后评估供应依据；但不适应于患严峻心、肝、肾疾病者或对药物有过敏史者、孕妇；欢迎下载精品学习资源作为近视、 糖尿病、 高血压等健康疾病的多发国家，目前眼底病患数量日益增大而医疗力气不足的现状，国家医改政策趋向于将病人留在社区，常见病、多发病、慢性病、眼科需接受分级治疗； 而社区的眼科医疗队伍更是严峻缺乏；假如能用人工智能帮助进行眼底照相图像挑选，对于合理国内医改越眼底照相设备对于提高效率和整体治疗水平至关重要；2、国内外眼底病变帮助诊断讨论的现状及存在的问题2.1 国内机器智能眼底病变帮助诊断讨论现状目前国内从事眼底病讨论的单位主要是相关讨论所及一些高校和与一些高校合作的公司，讨论内容与糖尿病和青光眼等疾病相关的居多，下面主要介绍一下对糖尿病视网膜病变的讨论；糖尿病视网膜病变Diabetic Retinopathy ,简称 DR，发生在糖尿病损耗视网膜内部的微小血管时， 这种微小的血管会在视网膜上渗出血液和液体，形成微脉瘤、出血、硬性渗出物、棉花斑和静脉环等特点；DR可广泛分为非增殖性糖尿病视网膜病变NPDR和增殖性糖尿病视网膜病变 PDR；此外， 糖尿病视网膜病变也是糖尿病最常见的微血管并发症之一，一般可以分为亮病变和暗病变，亮病变包括硬溢出物和絮状体，暗病变包括微脉瘤和出 血； 86%的 1 型糖尿病失明患者及约1/3 的 2 型糖尿病失明患者因DR致盲 , 是成人失明的重要缘由 , 在发达国家 DR已成为其讨论的首要内容；随着糖尿病患者数量急剧增多, 因 DR致盲和视力下降的患者日益增多；现在医学上多采纳眼底荧光血管造影检查的方法，由相关医学专家观看鉴定后给患者的情形下结论，在互联网+进展快速的今日，视觉和听觉方面的医学病例讨论越来越多的被注入了互联网的基因特殊是机器学习方面的因素；临床医学讨论说明：糖尿病性眼病的早期病变可通过视网膜和微小视神经组织结构的医学图像信息详细相关描述如下： 2021 湖南湘潭高校张东波教授等人，在湖南省科技厅方案项目“糖尿病性视网膜眼底图像早期病变检测关键技术讨论”中，运用 Gabor滤波并结合边缘抑制技术、多尺度和多滞后阈值等相关技术分割提取精细的血管结构；并运用多尺度匹配滤波和背景估量等相关技术对眼底病变中的微脉瘤检测，到达了40.9%的精确率；依据微脉瘤的视觉可观看性，可将其划分为四类：柔弱的、常规的、显著的、邻近血管的，其中柔弱的和邻近血管的微脉瘤往往很难被正确检测，依据相关材料在欢迎下载精品学习资源Retinopathy Online Challenge网站上当时最好的检测结果为40%； 2021 上海交通高校讨论生林蔚在指导老师张继武的指导下，提出了基于K 近邻图区域合并的视网膜硬性渗出自动检测讨论算法；同样是采纳了眼底图像增强技术进 行预处理，然后依据灰度、颜色、比照度等方面的特点进行提取和分类； 2021 南京航空航天高校高玮玮等人，为寻求满意临床需求的硬性渗出自动检测方法, 从而构建出基于眼底图像的糖尿病视网膜病变自动筛查系统, 在利用 Otsu 阈值分割结合数学外形学快速提取出视盘的基础上, 提出了两种硬性渗出自动检测方法 基于数学外形学的硬性渗出自动检测方法和基于RBF神经网络的硬性渗出自动检 测方法 , 在此基础上仍提出要采纳后续处理以进一步提高检测精度, 仍就检测结果进行了比较；与其他硬性渗出自动检测方法相比, 这两种方法在保证较高检测精度的基础上 , 效率也较高 ; 在这两种方法之间 , 基于数学外形学的方法精度更高, 基于RBF神经网络的方法效率更高; 结合临床对硬性渗出自动检测快速、牢靠性的要求 , 得出基于 RBF神经网络的方法作为糖尿病视网膜病变自动筛查系统中的硬性渗出自动检测方法性能更优； 2021 福州高校潘燕红等人，提出基于SVM的眼底图像硬性渗出检测，对眼底图像进行数学外形学结合阈值方法的粗分割, 得到硬性渗出的候选区域; 然后在候选区域上提取特点 , 并在特点提取中引入调幅- 调频 AM-FM特点 ; 接着用 SVM分类出 HEsHard Exudates硬性渗出和非 HEs；在公开的糖尿病视网膜病变图像库DIARETDB1上进行试验 , 结果敏锐性为91.1%, 特异性为 94.7%；说明该方法可对 HEs 进行牢靠检测； 2021 华侨高校硕士杜雨峰在凌朝东教授的指导下，做了基于眼底图像的糖尿病视网膜病变检测系统的讨论；他们在文章中提出要开发一套便携式眼底病变诊断设备， 使患者在视力受到损耗之前进行定期的眼底检查，这在及早发觉和准时治疗方面将 发挥关键的作用， 同时也能帮忙数百万处在医疗服务较差的地区的人们；文章中他们提出：“由于受眼底图片质量的影响，大部分的试验正确率会很低” ，也因此提出了增强眼底图片质量的方法：对眼底图像进行 HSI 空间转换， 在强度空间中值滤波后运用比照度受限直方图均衡技术进一步增强图像质量；接下来再将预处理好的眼底图像转换到色域更宽的lab 空间， 利用快速 K 均值聚类算法进行粗分割， 然后利用 SVM向量机对粗分候选区域进行硬性渗出可能是高血压所导致的局部血管渗出， 极有可能会损耗视力提取；欢迎下载精品学习资源国外机器智能眼底病变帮助诊断讨论现状由于各种因素的影响， 国外科技进展进度始终处于领先状态， 在眼底病讨论方面， 早在1996 年， Gardner 等人利用神经网络 Back Propagation ，BP自动检测出了硬性渗出 Hard Exudates ，HEs；之后 Walter 等人通过数学外形学对渗出物轮廓进行检测，然而作者无视了渗出物边界产生的一些错误，而且没有从絮状物中别离出渗出物；后来，NiemeijerM 等人直接从彩色图像中别离渗出物、絮状斑和脉络膜玻璃疣；再后来，Sopharak A等人采纳Fuzzy C-Means聚类算法对视网膜病变病人的免散瞳低比照度数字图像进行渗出物自动检测；最终， L.Giancardo等人提出基于 Kirsch边缘检测算子和稳态小波的分析方法，在数据集 DMED中对硬性渗出进行别离，并在通用数据集上进行测试取得了良好的检测成效；当然各种新的方法也在间续的提出，在这里就不一一赘述了； 下面是最近几年国外有关学者做的相关讨论： 2021 新加坡南洋理工高校Acharya 和 Lim 等人，依据糖尿病视网膜病变的各种特性，采纳外形学图像处理技术和支持向量机SVM技术对糖尿病患者定期视网膜 检查自动检测进行了相关的讨论；他们对 331 幅眼底图像进行分类，并得到了五种分类结果： 正常视网膜， 轻度非增殖性糖尿病视网膜病变，中度非增生性糖尿病视网膜病变， 严峻非增殖性糖尿病视网膜病变和增殖性糖尿病视网膜病变；并使用图像处理技术从原始图像中提取出了血管、微量血液、 渗出物和出血这四个特点，将这些特点传输SVM分类器进行分类，并到达了85%的精确率， 82以上的敏锐度和86的特异性 敏锐度是实际有病而且被正确诊断出来的概率，特异性就是实际没病而且被正确诊断的概率，即敏锐度高=漏诊率底，特异性高 =误诊率低；试验中他们对分类器 朴实贝叶斯分类器， Mahalanobis和 k- 最邻近分类器 进行了比较发觉 Mahalanobis分类成效最正确； 2021 在糖尿病科学与技术杂志上Jayanthi Sivaswamy和 Gopal Datt Joshi博士基于大多数糖尿病患者不能接受定期眼科护理，通常在部分视力丢失发作后诊断的 缘由， 提出并开发了一种基于web 采集、 分类糖尿病患者眼底病变图像的系统，预挑选系统来检查患者的眼底图像，并将有视网膜病变的患者信息转交给专家并反馈给患者， 这样在很大程度上解决了专家稀缺的情形，而且它为初级保健者供应了一种低成本、有效且易于使用的挑选解决方案；此外经本系统统计， 来检查的人当中，80%左右的人属于正常范畴；本设计中的创新点在于：将自动眼底图像分析整合到欢迎下载精品学习资源与 web 端摄像头配套的眼底照片拍照仪上，将 DR患者和非 DR患者依据标准进行分类，这样解决了大规模疾病筛查中众所周知的挑战，自动质量评估模块确保转移符合分级标准的眼底图像；此外，这是一个易于使用的界面，具有新的可视化功能，专为案例审查而设计，仍能收集各种关于DR患者的眼底图片，这样在便利患者和减轻专家工作压力的同时，仍有助于后期对DR自动识别诊断的讨论； 2021 美国新泽西州医学与牙科高校眼科与视觉科学讨论所Anton M Kolomeyer等人，就眼底荧光造影 FAF对于检测糖尿病视网膜病变的成效是否受彩色眼底照片的影响做了相关的试验，并发觉微动脉瘤和脉络膜视网膜瘢痕在FAF图像上更简单看到； 硬渗出物、 视网膜前出血和纤维化、 黄斑水肿和 Hollenhorst斑块在彩色照片上更简单识别； 因此， 作为彩色眼底成像技术的FAF成像在眼底病筛查中检测糖尿病视网膜病变有进一步讨论的价值； 2021 在糖尿病科学与技术杂志上Malavika Bhaskaranand和 ChaithanyaRamachandra 等人，对糖尿病性视网膜病变DR自动筛查分析提出了一种新的思路，他们对患者的眼底图像进行整理并按像素分类整理，把像素较低 影响临床诊断的图像临时搁置，对像素较好的图像进行增强处理主要是增强血管、出血、棉花斑点、微脉瘤和黄斑水肿等特点，在去除边界干扰及噪声后使用监测工具对各特点像素点进行监测并进行标记和排定，利用一组特点描述符 多尺度中值滤波器组描述符， 定向中值滤波器组描述符和其他建立的描述符来描述由各个特点区 域检测器识别的像素 其答应在多个尺度上进行本地描述； 使用综合监督学习分类器对所运算的像素描述符进行分类，以获得描述属于MA微脉瘤的像素的置 信度的判定统计， 并用监督学习分类器分析杂交后的像素，用于鉴定微脉瘤， 出血， 硬渗出物，棉花斑点，黄斑水肿和新生血管形成；这样分类后的结果可到达90%的灵敏度和 90%的特异性；也因此使用他们提出的自动化DR糖尿病性视网膜病变挑选和监测工具可以大大降低卫生保健系统的负担，同时为糖尿病患者供应更好的 护理；将近年来的机器学习方法应用于眼底病变讨论成果统计如下：表 2 机器学习应用于眼底病变糖尿病诊断讨论统计表欢迎下载精品学习资源年份讨论者诊断内容精确率方法数据来源2021Acharya和不同程度平均敏锐度：用外形学处理的方法增强图331 幅五种像素为Lim 等人糖尿病视82%像，提取图像中的一些特点256x256 的不同程网膜病变平均特异性：血管、微量血液、渗出物度糖尿病患者视检测86%和出血加以挑选后输入SVM网膜图片，其中：Norm-al ，Mild分类器进行分类识别Normal ： 62Mild DR ：73DR，Moderate DR ：65Moderat-Severe DR ： 71ePDR：60DR,Severe DR,PDR2021Jayanthi挑选威逼平均精确率超利用图像处理技术增强图119 例糖尿病患者Sivaswam-y性糖尿病过90%像，挑选并检测是否有与DR的临床试验，其中和 Gopal视网膜病有关的反常 微动脉瘤，硬/36 例正常， 33 例Datt Joshi变患者软渗出物和出血等 ，假设有轻度， 23 例中度，博士就记录并储存并同时向专家和患者发出反馈9 例重度，3 例PDR，15 例黄斑水肿2021Saima黄斑病变平均精确率：预处理增强图像、去燥数据集为 STARE的Waseem玻璃疣92%后的第一阶段检测图像中的公开可用数据集，和渗出全部亮像素；从检测到的区包含大小为物域中删除可疑像素；在其次700X605 的 123 张阶段，光明区域通过支持向图像，60 幅图像与量机SVM分类出玻璃疣和黄斑病变相关， 63渗出物幅图像为糖尿病性视网膜病变；2021MalavikaBhaskarana糖尿病性视网膜病平均灵敏度：90%在增强图像去除边界干扰及噪声后使用监测工具对各特5084 名糖尿病患者的 40542 张图像nd 和变 DR平均特异性：征像素点进行监测并进行标的数据集，像素从ChaithanyaRamachandr63.2%记和排定，利用一组特点描述符来描述由各个特点区域200 万到 1500 万a检测器识别的像素使用综合监督学习分类器对所运算的像素描述符进行分类2021A.L渗出液和平均精确率：用 MATLAB预处理眼底图像，100 名患者组成，Nanayakk-a微脉动瘤85%提取出渗出液或微脉瘤等用包括四类健康，ra 和 N. D于检测反常阶段，使用统计轻度，中度和重Kodikara模型将这些提取的特点转化度患者的眼底图为基于区域的统计数据，并像将输出值发送给 ANN2021NavkiranKaur视网膜眼底图像的平均敏锐度：90.42%用图像处理技术增强图像并在视网膜中定位出中心凹，从数据集DIARETDB1获得的欢迎下载精品学习资源红色病变平均特异性：平滑图像并找出候选区，运50 个视网膜图像也叫出92.53%用外形运算和随机森林的组血平均精确率：合分类方法来进行评估89.23%2021RadimBurget 和视网膜红色病变%平均特异性：采纳基于外形的提取算法，策略性地挑选三种基于外形数据集 120 张眼底图像，其中 89 张Vaclav微动脉91.4%的参数面积，偏心度，周图像从 DIARETDB1Uher瘤和出长，基于这些参数， 可以从数据库中猎取其血视网膜图像中提取红色损余图像从当地医伤，有效并且独立于图像质院的数据库中取量出2021May PhuPaing病性视网膜病变的平均精确率：96%通过应用人工神经网络ANN，将糖尿病视网膜病数据集是来自DIARECTDB1和本严峻程度变血管，渗出液和微动脉地数据库的 214 张血管，瘤等的面积，周长和数量眼底图像渗出液和等特点用于分类疾病阶段微动脉瘤2021Wei Zhou 和Chengdon-红色病变出血、平均灵敏度：91.89%对图像进行预处理增强图像、去除噪声并将膜图像数据集是由DiaretDB1数据库g Wu微脉瘤平均特异性：调整为归一化照明和比照度标准糖尿病视91.67%条件，然后采纳超像素分割获得红色结构，并从候选分网膜病变数据库校准级别 1，版本割区域中提取一组特点，用1供应的 89 幅 RGBFDA类器对候选地区进行培彩色眼底图像，固训和分类，最终去除血管和中心凹获得检测结果定的辨论率为1500×11522021谷歌公司诊断、预深度学习算法，正在进行中摩菲眼科医院NHS防眼病和失明信托基金过去数年收集的逾 100 万张眼睛扫描图2021Norhasmir-微脉瘤平均精确率：预处理阶段用到使用伽马矫9 个含有微脉瘤的aMohamm-ad84.15%正进行绿色成分提取和底帽过滤的方法，通过应用高斯图像的学习过程匹配滤波器来提取血管，然后使用某个阈值使其分段，最终用 TEMPLAR算法进行分类3、现有讨论基础及展望目前，针对眼底图像分析问题，我们进行了部分预研工作，方案由以下几部分组成：欢迎下载精品学习资源数据的猎取. 数据集的猎取： 由北京某医院供应的经相关专家鉴定后的眼底图片（共 325幅辨论率为 1536x1590的图片）；. 数据集的分类： 图像的类型主要有黄斑病变类图片、糖尿病视网膜出血图片（微血管瘤）、需要临床检测的图片（无法检测类）、正常视网膜图片，由于其中一些数据的质量问题（图片模糊使详细的病变特点显示不出 来），给识别图片中的特点造成了麻烦；欢迎下载精品学习资源欢迎下载精品学习资源数据预处理神经网络的训练和试验结果评估. 图像增强处理： 用图像掩模的方法缩小眼底图像的感爱好区边界，对图像进行阈值转换分割，通过试验确定达到分割成效最好时的阈值，然后对图像进行两次外形学开运算，从背景和前景区域移除细小区域，得到最终的掩模图像后，将原图与得到的掩膜图像相乘，得到背景无噪音的图像，而且感爱好区不变；. 去除边缘化： 在傅里叶变换下，分解和重构图像，去除边缘化成效的影响；. 挑选合适的网络模型及相应的较优参数：我们现有的深度学习网络模型有 goole-net 、image-net 和alex-net三种网络模型，分别对不同的网络模型进行测试（挑选不 同的隐含层数目，及相应的传递参数，挑选最优训练结 果进行比较），从中选取最优. 试验结果的评估： 利用神经网络自适应的特点训练、学习、分类数据，把数据输入到 caffe 框架内，不断的修改参数，评判每一类分类为正确的概率和错误分类的概率，并运算总的正确率；欢迎下载精品学习资源欢迎下载精品学习资源机器智能眼底病帮助诊断的实现. 机器智能眼底病帮助诊断系统的设计：. 眼底病害的病程进展猜测：欢迎下载精品学习资源数据的来源： 我们现有的数据是由北京某医院及该院相关医生供应的带有标记的眼底图像共 325 幅辨论率为 1536x1590 的图片，图像的类型主要有黄斑病变类图片、糖尿病视网膜出血图片微血管瘤、需要临床检测的图片无法检测类、正常视网膜图片等， 由于其中一些数据的质量问题图片模糊， 详细的病变特点显示不出来，给识别图片中的特点造成了麻烦；欢迎下载精品学习资源下面是依据已有数据分出的六类图片中的一部分：视网膜分支静脉堵塞类黄斑病变类微血脉瘤类糖尿病视网膜病变正常眼底图像中浆类视网膜出血类欢迎下载精品学习资源图像的猎取眼底图像预处理图像的挑选质量不达标的图像筛除数据预处理掩模处理均衡化处理增强图像质量，裁剪图像尺寸，对强度进行均衡化处理神经网络的预训练神经网络的训练对数据加标签生成日志文件对每类图像添加 04 的标签，并生成相应的电脑可识别的日志文件网络参数的挑选隐含层数目阈值及传递参数依据数据集的大小设置隐含层的数目，并不断地修改参数，可用遗传算法解决试验可能遇到的瓶颈将精确率低的某一类单独取出来做二分类，对整体精确率低的重新进行特点提取试验结果的评判标准这些问题都是由于数据量过少引起的， 可以通过对二维图像进行 三维重建生成我们需要的数据部分技术细节如以下图所示：某一类整体准实精确率确率都验太低很低分析数据不数据过均衡化拟合数据预处理及试验设备的预备：目前我们的设备主要是用于深度学习的带有GPU 的电脑包含了用于深度学习的caffe框架；图像的预处理阶段是采纳数字图像 处理技术， 以使图像中的特点显示更突出，减小图像的大小从而提高算法的运行速 度；欢迎下载精品学习资源以图像掩模处理为例；掩模是由 0 和 1 组成的一个二进制图像， 当在某一功能中应用掩模时， 1 值区域被处理，被屏蔽的0 值区域不被包括在运算中；通过指定的数据值、 数据范畴、有限或无限值、感爱好区和注释文件来定义图像掩模，也可以应用上述选项的任意组合作为输入来建立掩模；详细步骤：第一提取感爱好区, 用预先制作的感爱好区掩模与待处理图像相乘, 得到感爱好区图像, 感爱好区内图像值保持不变 , 而区外图像值都为0提取感爱好区 ；然后用掩模对图像上某些区域作屏蔽, 使其不参与处理或不参与处理参数的运算, 或仅对屏蔽区作处理或统计屏蔽作用；再用相像性变量或图像匹配方法检测和提取图像中与掩模相像的结构特点结构特点提取 ；最终用选定的图像、 图形或物体 , 对待处理的图像 全部或局部 进行遮挡 , 来掌握图像处理的区域或处理过程目标图形的制作 ；其中用于掩盖的特定图像或物体称为掩模或模板；试验中我们第一用图像掩模缩小眼底图像感爱好区 Region of Interest， ROI边界，对图像进行阈值转换分割，通过试验确定到达分割成效最好时的阈值，然后对图像进行两次外形学开运算，从背景和前景区域移除细小区域， 得到最终的图像掩模， 将原图与得到的掩膜图像相乘，得到背景无噪音的图像， 而感爱好区不变， 最终对眼底图像的尺寸进行裁剪，以削减处理时间，在掩模图像边框上下左右各增加20 个像素来进行修剪，得到最终的图像掩模和待处理图像 一方面缩减了图像的尺寸提高了算法的运行速度，另一方面也突出了感爱好区域 ；提取血管特点后的眼底图像神经网络的训练及数据的验证和测试：对于网络的挑选，我们现有的网络模型有goole-net、image-net和 alex-net三个网络这三个网络分别适应于不同大小的数据集的分类 ，对于神经网络的训练，主要是参数的挑选以及隐含层的设置隐含层数目、 传递参数及阈值的挑选我们可以结合遗传算法，进行最优化选取， 使试验成效尽可能的好 ；依据原 325 幅彩色眼底图像， 经挑选后合格的图像有300 幅，训练集我们用150 幅图像，验证集用50 幅图像，测试集用100 幅图像每类眼底欢迎下载精品学习资源图像都包含；对试验的成效的评估我们用相对精确率来衡量， 即每一类都有 TP 把P 类正确分类为 P 类的高概率，FP把其他类错误分到 P 类的概率，Accuracy总体分类正确的概率 ，试验中对于正确率较低始终无法提高其精确率的类别可以将其单独的别离出来，对其他做完分类后再对其进行二分类试验，本次试验是在caffe框架下用其自身包含的几个模型来学习训练，由于神经网络的自适应学习特点，对特点明显的数据分类一般会到达比较好的成效；存在的问题针对国内外眼底病讨论的分析和预研的基础上，我们发觉目前眼底图像帮助分析存在以下突出问题：1、 现有讨论多基于一类特定病变进行，仍未显现一种能够针对多类眼底病变的帮助诊断模型，在实际应用中自动诊断依旧无法取得良好成效；2、 现有讨论往往基于一类眼底图像进行，缺乏不同图像之间的融合信息；不同类型的眼底图像， 在帮助诊断成效上方面也存在着差异；例如， 眼底荧光造影获得的黑白图像与彩色眼底图像对于不同病变特点的凸显作用存在很大的差异；3、 眼底图像的质量与数量将在很大程度上影响试验的结果，除个别讨论机构外， 普遍采纳的图像数量较少，有较大的提升空间；4、 眼底病变中有些特点的干扰因素太强，目前仍未找到较好的排除方法，导致识别成效不佳；比方： 很多红色病变特殊是出血与血管连通，导致难以到达完全删除它们；许多微脉瘤的尺寸都特别小，而且与血管很接近， 很难做到很好的分割成效；外来因素造成出血与病变造成出血特点仍没能有详细的区分；5、 现有讨论多采纳二维数据进行，缺乏立体信息； 假设能利用二维图像， 对眼球进行三维立体建模，对于眼球病变帮助诊断将特别有益；解决方案针对上述问题，我们在预研的基础上提出了以下的解决方案及技术路线；1、针对多类常见眼底病变，建立统一眼底模型；2、采纳不同设备采集眼底信息，对多通道眼底信息进行融合分析；利用多种类眼底影欢迎下载精品学习资源像信息提升帮助诊断的精确新；3、分析眼底相机成像机制， 采纳更适合处理眼底图像形变的图像预处理方法，增强特点；4、利用深度学习技术取代传统机器学习，构造针对多类病变的具有高辨论和泛化才能的分类器；5、 尝试进行眼球病变的三维立体建模；采纳合成模型生产样本的方式，增大深度学习训练集样本数量， 并用真实样本矫正的方式建立回来模型；或者考虑利用生成对抗网络进行病变分类的训练和提升；图示如下：图像均衡化 归一化 处理多通道信息融合预处理严峻影响特点的图应舍弃不同特依据图像特点提取多维特点向量掩模处理，去除边缘化等特征提取征的整合建立统一模型对不同的眼底信息进行多通道融合采纳合适的预处理方法，增强图像的特点不同的设备采集的眼底信息不同眼底相机采集的眼底照片存在变形建立统一的眼底模型眼 底 病 变种类繁多解决眼底病变帮助诊断系统设计纹理合成三维建模方案用网站或 APP构 造 一 个 眼底 病 变 远 程诊断平台数据集过少，数据不均衡传统的分类器无法到达抱负的成效利用三维建模增加深度学习训练样本数据集构造针对多类病变的具有高辨论和泛化才能的分类器远程诊断分级医疗预诊利用二维将三维模投影图像将融合的数据抽象型从不同与不同的新图片作现流行的深度学习有传统分类器不行比拟的优三维模型角度投影背景融合为训练集势，结合深度学习构造辨论才能更强的分类器6、 设计并实现眼底病变帮助诊断系统，以网站或者移动端APP的形式， 构造一个眼底病变远程诊断预判 / 分级医疗预诊询问平台；欢迎下载精品学习资源4、期望猎取的支持与帮助目前我们的预研试验离抱负成效仍存在着很大的提升空间，迫切的需要得到眼科专业人员的支持和帮助；依据前期的工作分析，目前我们需要的帮助主要有以下方面：1、 需要采集更多的眼底图像；2、 需要专业人员对图像上的特点区域进行标记，并建立图像类别标签；3、 需要专业人员指导挑选2-3 类常见 / 有临床讨论意义的病变种类进行讨论目前，项目组的人员主要为重庆高校电脑学院的青年老师，均为电脑专业博士及硕士，项目主要实施地点为重庆市软件工程重点试验室；目前课题组成员负责的相关课题有国家自然科学基金项目 2 项，分别是三维建模及植物病害诊断；此外仍承担及完成省部级项目多项；我们深知，医务工作者工作量大、责任重大；需要您们在本职工作之外对此项目进行支持，我们深表感谢，并特别珍爱此次合作时机；我们期望，项目的讨论能够有所突破，能够对国内眼科影像医学的进展有一点帮忙；欢迎下载