目的:探索基于深度学习方法自动分割彩色眼底图像上糖尿病患者视网膜渗出特征的可行性。方法:应用研究。基于印度糖尿病视网膜病变图像数据集（IDRID）模型的U型网络，将深度残差卷积引入到编码和解码阶段，使其能够有效提取渗出深度特征，解决过拟合和特征干扰问题，同时提升模型的特征表达能力和轻量化性能。此外，通过引入改进的上下文提取模块，使模型能捕捉更广泛的特征信息，增强对视网膜病灶的感知能力，尤其是提升捕捉微小细节和模糊边缘的能力。最后，引入卷积三重注意力机制，使模型能自动学习特征权重，关注重要特征，并从多个尺度提取有益信息。通过查准率、查全率、Dice系数、准确率和灵敏度来评估模型对彩色眼底图像上糖尿病患者自动视网膜渗出特征的检测与分割能力。结果:应用本文研究方法后，改进模型在IDRID数据集上的查准率、查全率、相似系数、准确率、灵敏度、分别达到81.56%、99.54%、69.32%、65.36%、78.33%。与原始模型相比，改进模型的查准率和Dice系数分别提升了2.35%和3.35%。结论:基于U型网络的分割方法能自动检测并分割出糖尿病患者眼底图像的视网膜渗出特征，对于辅助医生更准确地诊断疾病情况具有重要意义。

目的 利用眼底图像中硬性渗出物(hard exudates,HE)的亮度与边缘特征,提出一种基于Canny边缘检测算法与形态学重构相结合的HE自动检测方法 ,以解决目前算法灵敏度低、检测结果 中视盘和血管的干扰等问题,对糖尿病视网膜病变(diabetic retinopathy,DR)的自动筛查具有重要意义.方法检测算法包括4个步骤.步骤一,图像预处理,主要包括RGB通道选取、基于形态学的图像对比度增强.步骤二,视网膜图像关键结构的消除,利用基于Gabor滤波的血管分割方法,消除血管边缘对HE检测的影响.将本文视杯分割算法应用在眼底图像红色通道上实现视盘自动分割,消除视盘及其边缘对HE检测的影响.步骤三,利用改进的Canny边缘检测算法和形态学重构方法对HE进行提取.步骤四,基于形态学的图像后处理,消除眼底图像边缘部分假阳性区域.最后利用该算法测试公开数据库中的40幅图像(35幅HE病变图像,5幅正常图像).结果该算法对基于病变的灵敏性(sensitivity,SE)和阳性预测值(positive predictive value,PPV)分别为93.18％和79.26％,基于图像的灵敏性、特异性(specificity,SP)和准确率(accuracy,ACC)分别为97.14％ 、80.00％和95.00％.结论 与其他方法对比,基于Canny边缘检测算法与形态学重构相结合的HE自动检测算法具有较好的可行性.

糖尿病视网膜病变 (DR) 是糖尿病严重的并发症, 是视力损害最常见的原因之一.硬性渗出物 (HE) 是DR早期的症状之一, 从眼底图像中对硬性渗出的准确检测是DR筛查的关键步骤.提出一种基于生成对抗网络 (GANs) 的视网膜硬性渗出的自动检测方法.相比一般的卷积神经网络, 生成对抗网络由生成式模型G和判别式模型D组成, 两者之间的博弈与竞争使得生成对抗网络能够更加精确地检测眼底图像中的硬性渗出.首先, 为了避免视盘对后续硬性渗出检测的干扰, 根据血管分布信息与全局灰度信息, 准确定位视盘 (OD) 中心并掩盖视盘;然后, 交替迭代训练生成式模型G和判别式模型D, 得到在验证集上分割效果最佳的模型并保存.所提出的算法在e-ophtha EX数据库上训练和验证, 并进行像素级评估, 获得88.6％、84.3％和86.4％的平均灵敏度、PPV和F-score.在另一个独立的DIARETDB1数据库上进行测试, 获得的平均灵敏度、特异性和准确性分别为100％、96.2％和97.8％.综上所述, 两个视网膜图像数据库的评估结果证明, 生成对抗网络的博弈模式能够有效地检测彩色眼底图像中的硬性渗出.

目的 提出一种基于多尺度卷积神经网络(CNN)的眼底图像病灶检测算法,并探讨其在糖尿病视网膜病变(DR)中的应用.方法 对比现有眼底病灶检测方法,提出一种基于CNN的眼底图像病灶检测算法.本算法不仅克服了基于阈值分割和形态学分割方法鲁棒性差的问题,同时在不依赖人工逐像素标注的前提下,采用多尺度图像块的检测思路,显著提升检测器对小病灶目标检测的性能.此外,提出的新型损失函数在弱标签、小数据集的条件下,实现多类型、高准确率的DR病灶检测.结果 从病灶水平来看,该算法对硬性渗出病灶检测的敏感性和特异性分别为92.17％和97.17％;相较于单尺度方法,本研究中提出的多尺度方法的敏感性和准确率分别提升了7.41％和5.02％;在公开数据集IDRiD上较其他检测方法特异性提高了55.82％.本方法能够将眼底图像中的病变有效地检测出来,且能够给出病灶的基本范围,对于有大量病灶眼底图像的平均检测时间为1.59 s.结论 基于多尺度CNN的眼底图像病灶检测算法能够快速、可靠地识别出眼底图像中的DR病灶并标注出病灶的位置信息,降低主观因素的影响,辅助临床医生更加高效、准确地进行DR病变筛查.

为构建基于眼底图像的糖网自动筛查系统,对基于阈值分割及模式分类器的硬性渗出自动检测方法进行了对比研究.首先,利用基于最小类内离散度的改进Otsu分割算法对眼底图像G通道进行粗分割以实现硬性渗出病灶候选区域的获取;然后,提取并优化候选区域特征集;最后,利用优化后的特征集以及相应人工判定结果分别建立RBF神经网络分类器以及SVM分类器,从而实现对眼底图像中硬性渗出的自动识别.对本方法及其他多种硬性渗出自动检测方法进行对比分析.结果表明,对糖尿病视网膜病变自动筛查的临床应用而言,基于阈值分割及SVM分类器的硬性渗出自动检测方法性能更优.

目的 为消除视盘在硬渗出物(EX)分割过程中带来的影响提出了基于区域分类引导的小波Y-Net网络的EX分割算法.方法 该网络为端到端的眼底图像EX分割网络,通过区域分类引导EX分割联合实现了视盘区域检测和EX分割,有效地降低了视盘对EX分割的干扰.为了避免因下采样操作产生信息损失而导致微小EX区域分割失效的问题,该网络进一步引入了离散小波变换(DWT)和离散小波逆变换(IDWT)取代传统的池化下采样和上采样操作.同时,采用了基于残差连接的Inception模块获取多尺度特征.所提出的算法在IDRiD、e-ophtha EX数据库上进行训练和测试,并进行像素级评估.结果 区域分类引导的小波Y-Net网络在IDRiD、e-ophtha EX数据库上分别获得0.9858、0.9938的准确率以及0.9880、0.9986的受试者工作特征曲线下面积(AUC).结论 本文提出的方法能够有效地规避视盘的影响,保留图像细节信息,提升EX的分割效果.