基于深度学习的糖尿病视网膜病变超广角图像分级算法研究与应用.pdfVIP

目录

摘要I

ABSTRACTIII

第一章绪论1

1.1研究背景及意义1

1.2国内外研究现状2

1.2.1糖尿病视网膜图像分级研究现状2

1.2.2基于半监督学习的医疗图像处理方法研究4

1.3论文研究内容及组织架构5

第二章相关技术介绍7

2.1卷积神经网络7

2.1.1卷积层7

2.1.2归一化层8

2.1.3激活层8

2.1.4池化层11

2.1.5全连接层12

2.2常用深度学习模型12

2.2.1VGGNet模型12

2.2.1ResNet模型13

2.2.3Inception模型14

2.3迁移学习15

2.4本章小结15

第三章基于注意力机制的DR超广角图像分级检测17

3.1DenseNet模型17

3.2DenseNet模型改进18

3.2.1通道注意力机制18

3.2.2空间注意力机制19

3.3数据预处理20

3.3.1数据集介绍20

3.3.2预处理流程21

3.4实验23

3.4.1实验环境及参数设置23

3.4.2评价指标23

3.4.3实验结果与分析24

3.5小结26

第四章基于图卷积网络的DR超广角图像分类检测27

4.1引言27

4.2模型设计28

4.2.1概述28

4.2.2CNN模块29

4.2.3GCN模块30

4.2.4损失函数30

4.3实验结果31

4.3.1数据集31

4.3.2实验结果32

4.4小结33

第五章眸视AI医疗助诊系统35

5.1需求分析35

5.1.1患者功能需求35

5.1.2医生功能需求36

5.1.3管理员功能需求36

5.2总体设计37

5.2.1B/S结构37

5.2.2功能模块设计38

5.2.3功能流程图39

5.2.4数据库设计40

5.2.5环境43

5.3系统设计与实现44

5.3.1登录注册模块44

5.3.2管理员模块45

5.3.3医生模块48

5.3.4患者模块48

5.4本章小结50

第六章总结与展望51

6.1总结51

6.2不足与展望52

参考文献53

在学期间取得的科研成果59

摘要

随着全球糖尿病患者数量的不断增加，糖尿病视网膜病变（DR）作为一种常见

的并发症，给患者带来了严重的视力损失风险。由于病变初期缺乏明显症状，及时

有效的筛查和诊断显得尤为重要。由于专业眼科医生资源的稀缺性，传统的人工诊

断方法难以满足大规模筛查的需求。因此，利用深度学习技术对糖尿病视网膜病变

进行自动识别和分级，对提高筛查效率和准确性具有重要意义。

本文使用公开数据集EyePACS和来自眼科医院的超广角图像数据集。相比于普

通的OCT图像超广角眼底成像在普通眼底成像视野外可以检测到更多病变，但是该

成像设备极新，带来了临床研究尚不充分、高质量数据积累不足和高质量标注数据

成本过高的问题。本研究基于密集连接网络（DenseNet）和注意力机制，提出了一

种改进的深度学习模型，旨在提高对DR