目前在我国的眼底医生只有三万人左右,面对十几亿人,没有方法进行大范围的检测。近年来,大量的研究表明,通过人工智能、机器学习等技术手段,能够有效地提高医务人员的工作效率,显著地降低医务人员的劳动成本,并在一定程度上缓解了医务人员的紧缺。通过人工智能神经网络模型的分析结果,可以将眼底检查的工作效率提升数十倍甚至数百倍,从而能够从庞大的群体中筛选出有问题的群体,并实现对其进行定量分析,这是一项重大的技术突破。眼底图像诊断任务的深度学习表现令人https://www.selleck.cn/products/ms-275.html印象深刻。面向血管分割任务,针对眼底图像对比度低,视网膜血管不规则、末梢细节模糊问题,本文提出了并行U-Net网络。面向眼底疾病等级分类任务,针对目前不断增加复杂度去提升特征信息的提取,本文提出节点通道网络。本文的主要内容和创新点分为以下3点:1、针对OIA-ODIR数据集,不同疾病眼底图像样本数量参差不齐的问题,利用收集的眼底图像对公开OIA-ODIR眼底图像数据集进行眼底图像数据补充共同作为最终眼底图像数据集。解决OIA-ODIR数据集不同疾病中眼底图像数量分布不均匀问题。为了让网络更好地进行分割和分类任务,对新构建的眼底图像数据集进行预处理,调整它们的尺寸、位置、角度、对比度等参数。2、针对眼底图像对比度低,视网膜血管形状不规则、血管边缘细节模糊问题,为更好提取眼底图像视网膜血管的特征,提出了并行U-Net网络用以精准的分割病灶特ectopic hepatocellular carcinoma征。首先,在编码路径和解码路径的每一层,插入多尺度残差模块,以加强网络层与层之间的联系,保证特征在传输过程中尽可能少的丢失。其次,解码路径通过通道拼接融合不同层次的特征,经过卷积操作获得期望的血管分割特征图,有效的解决网络底层特征图中语义上下文信息不足的问题,进一步提高血管像素的分类精度,从而提高整体血Z-VAD-FMK配制管分割性能。3、针对网络模型复杂度和可解释性,提出基于通道的二叉树网络将眼底图像多种疾病等级分类分成两个部分完成。第一步进行不同疾病的种类判断,第二步进行不同疾病的分级判断。首先,通过树网络层层节点的处理,能够得到更精确的高层次视网膜组织特征,使得输入图像能够与不同种类疾病通道进行匹配。其次,在与之匹配的通道内,通过卷积提取不同眼底疾病的病变特征,从而提高针对每一种眼底疾病等级分类的准确率。最后,节点通道网络具有极强的灵活性,当眼底疾病种类增加时,只需通过添加通道数即可对新加入的眼底疾病进行等级分类,并且仍然保持较高的分类准确率。