论文部分内容阅读
2017年,我国糖尿病患者总数有1.14亿人,占全国总人口的8.201%。与此同时,糖尿病并发症所带来的糖尿病视网膜病变(以下统称糖网病变)人数也在急剧增加。糖网病变严重影响患者的视力健康,做好糖网病变的筛查工作,进行早期诊断和治疗,能有效地防止患者视力损伤。近年来,已经有机构尝试将深度学习用于医疗领域。基于深度学习的计算机视觉技术,具备实时性、高精度等特点,开展基于深度学习的糖网筛查系统研究,未来能有效地降低眼科医生的劳动强度、加快门诊效率。本文就此研究了基于深度学习的糖网筛查系统,主要内容如下。调研了国内医疗机构的糖网筛查流程,分析出该流程有耗时、存在主观判断的痛点。针对这些痛点,基于Docker、Jupyter-Notebook、TensorFlow、DIGITS 6等软件搭建了糖网筛查系统,该系统主要由糖网病程分类模块和糖网特征分割模块构成。糖网病程分类模块:采用Kaggle竞赛糖网病程分类公共数据集,针对该数据集图像质量不一、病程类别图像不均等问题,通过中值滤波、图像均衡化等方法进行预处理。基于AlexNet、VGGNet系列算法、Inception系列算法开发出糖网病程分类模型并进行验证,择优选择Inception-Resnet v2算法作为糖网筛查系统中糖网病程分类模块的算法;糖网特征分割模块:采用IDRiD竞赛糖网特征数据集,针对于该数据集图像存在黑边、数据量少等问题,进行ROI区域提取、数据增强预处理。基于U-Net算法开发了糖网特征分割模型,经过验证,该模型精度满足糖网特征分割要求。综合上述的糖网筛查系统的相关实验分析,该系统能够有效的进行糖网筛查的辅助诊断,具备潜在的临床应用价值。