论文部分内容阅读
青光眼是世界上的第二大致盲疾病。青光眼筛选是一个非常复杂和困难的任务。目前青光眼的诊断基本都是由医务工作者依靠多年的实践操作经验通过肉眼的观察来进行判断的。但人工观测再精确也会有它的缺点,像是容易过于主观、容易有看不清楚的地方、会有一定的局限性等等。在这样的大背景下,一个可以对青光眼眼底图像进行自动识别的系统将会应运而生,此系统使用的最先进的图像处理、图像识别技术,将卷积神经网络加载到caffee深度学习模型中,使青光眼的识别效率大大提高。目前,常用的眼底图像处理方法为特征提取、识别技术进行处理,同时眼底图像处理与分析的相关研究主要集中在眼底图像血管分割、配准、拼接、视盘定位分割和辅助诊疗等领域中。眼底图像预处理技术是眼底图像识别至关重要的一步,由于眼底血管丰富且复杂多样,所以这时就体现出了预处理环节的重要性,消除噪声影响必须经过该环节的操作过程,这样可以很大程度上增加图像的信息内容,使有用的信息得到加强,没用的信息进行弱化,这样一来有助于增加系统实验的准确率以及运行速度等等。深度学习作为人工智能的核心研究领域之一,具有高效的数据分析能力,如今已经发展成为一门非常成熟的技术,而在数据挖掘领域,深度学习也因为其优秀的数据分析能力而被广泛的使用,以实现知识发现的目标。。但是目前深度学习在青光眼图像识别方面的应用并不多见,一方面因为深度学习方法较新,另一方面青光眼眼底图像的获取及预处理也是一个较为困难的方面。卷积神经网络是隶属于深度学习中的一个重要组成部分,卷积神经网络在图像识别,图像分类方面有着十分优秀的表现。从结构上来说它使用的是二维模型,卷积神经网络的与众不同之处在于它的卷积层,可以直接对数据进行卷积操作。针对上述问题,本研究课题在青光眼病变自动识别方面进行了深入的研究以及探索性的尝试。利用多项数据预处理技术对大量原始数据进行处理,将多种方法进行融合,尝试,创新,得到多组更加适用于本研究的数据集,显著提高系统准确率。之后使用深度学习算法,基于深度卷积神经网络建立预测模型,并对多种网络模型性能进行比较研究,对各种参数进行必要的调整,建立了更加高效的青光眼预测模型,本文将当下先进的各种深度卷积神经网络用于眼底图像识别的研究当中,这在青光眼眼底图像识别领域是较为创新的,与传统的图像识别方法相比,具有操作步骤少,耗时短,准确率大幅提高等一系列优点。对青光眼的自动诊断具有一定的现实意义。