论文部分内容阅读
眼底视网膜病变种类繁多,致病原因复杂。例如,糖尿病引起的糖尿病性黄斑水肿（Diabetic Macular Edema,DME）,老年黄斑变性、变性近视、眼底血管样条纹导致的脉络膜新生血管（Choroidal Neovascularization,CNV）,色素上皮代谢障碍引起的玻璃膜疣（Drusen,DRUSEN）等。这些疾病的早期筛查与诊断非常重要,然而,我们国家人口基数大,面临越来越多的眼底疾病患者,眼科医师往往要在很短的时间内处理庞大的眼底图像数据,并做出诊断结果。面对海量数据,人工诊断显得极为耗时且耗力。据中国医学会统计,我国每千人医生拥有量仅为2.1人,所以这方面的专业眼科医生又存在较为严重的资源供需缺口,使得患者病情不能得到及时、有效的治疗[1]。因此,为了解决上述问题,本文主要工作是将人工智能辅助诊断技术应用于眼底医学影像领域提高医疗机构和医生的工作效率。本文的主要工作内容如下:（1）在眼底视网膜光学相干断层扫描技术图像识别任务中,主要使用2014＿BOE＿Srinivasan和OCT2017两个开源的眼底视网膜（Optical Coherence Tomography,OCT）图像数据集,数据集中对应的标签均由专业的眼科医师手动进行标注。在这些OCT图像数据的基础上实验了现有的Resnet18、Resnet34、Resnet50、Vgg16、Vgg19、Inception＿v4、Inception＿resnet＿v2、Cnn3及本文的Resnet50＿vgg16共9种卷积神经网络模型。（2）为了使医生更好地观察并验证Resnet50＿vgg16模型对糖尿病性黄斑水肿病变的识别结果,本文进一步完成了眼底视网膜OCT图像病变区域分割任务。实验使用Unet模型,在开源的2015＿BOE＿Chiu眼底视网膜数据集上实现了对糖尿病性黄斑水肿（Diabetic Macular Edema,DME）的分割任务。（3）基于眼底视网膜OCT图像识别与分割结果最好的卷积神经网络模型,本文开发了视网膜OCT图像自动识别系统。本文利用计算机视觉领域的前沿算法解决医疗眼科领域的OCT图像识别问题,通过实验结果表明,其中Resnet50＿vgg16的识别效果较好。视网膜OCT图像自动识别系统可实现眼底OCT图像的自动筛查和诊断,识别准确率较高,可以辅助医生快速的检查更多的患者。