机器智能辅助诊断眼底病变综述

word基于机器视觉的眼底病变辅助诊断1、眼科影像学在眼底病中的应用世界卫生组织公布的权威数据显示，中国已成为世界头号盲人大国，且存在高致盲风险的低视力人群数也位居全球第一。据明确，面对总人数高达1.5亿之巨的盲人与存在视力问题的人群，平均每位眼科医生需要解决超过5000人的眼健康问题，几乎是一个“不可能完成的任务。存在着偏远地区缺少眼科专业医生，兴旺地区大型医院眼科医生供不应求的现状。随着医学与现代科学的不断开展，医学影像学(Medical Imaging)就是众多与医学相关的新兴交叉学科之一，已广泛用于医学诊断领域，在临床应用中可为疾病的诊断提供大量科学和直观的依据，可配合临床的症状、化验等进展最终的准确病情诊断，也可很好地应用于治疗方面。医学影像学是眼科疾病诊断的根底，可获取诊断和治疗所需的形态学、定性和定量的指标，其中，眼科影像学设备是眼科诊疗的关键。眼科影像学诊断方法可分为：射线诊断(x线、CT和MRI等)、声像诊断(A超、B超、CDI和UBM)、眼底血管造影(FFA和ICGA)和光像诊断(角膜地形图、晶状体形状图和眼底地形图等)，见表1.表1 眼科影像学应用眼科影像学方法主要临床应用裂隙灯显微镜眼前节结构与相关病变检查眼底照相机眼底视网膜、视网膜血管、视盘、黄斑与相关病变检查荧光素眼底血管造影(FFA)眼底血管形态、细微变化、视网膜血液循环和色素上皮层检查吲哚青绿血管造影(ICGA)视网膜、脉络膜循环结构和脉络膜血液循环情况检查相干光断层成像(OCT)视网膜、黄斑相关病变检查，眼前节结构、视神经纤维层测量视网膜厚度分析仪通过三维视网膜厚度地形图进展各种常见眼底病变的诊疗A型超声眼部的生物测量和病变性质判断B型超声眼球和眼眶组织的形态学检查超声生物显微镜(UBM)玻璃体周边检查和视网膜周围检查彩色超声多普勒成像(CDI)眼球、眶部血管性病变检查和肿瘤的血流特征检测激光扫描检眼镜(SLO)眼底血管造影，眼底与视功能检查电子计算机断层扫描(CT)眼球、眼眶与眶周组织病变检查磁共振成像(MRj)眼球、眼眶与眶周组织的软组织检查随着社会经济的迅速开展,生活水平的提高,生活模式的转变,以与人口老龄化的快速到来,全球糖尿病、高血压等病症的患病率和患者数正以惊人的速度增长。以糖尿病为例，我国近20年来糖尿病患病率增长了10倍左右,根据世界银行亚太地区报告的预测,糖尿病将在下一个十年成为我国最流行的疾病。糖尿病、高血压、高度近视患者都是患眼底病几率较大的人群。糖尿病性视网膜病变、高血压导致的视网膜动脉硬化等属于眼底病变，都可能导致失明或视觉损伤。眼底是指用肉眼无法窥见的眼球后段球内组织，眼底疾病变包括了视网膜，脉络膜，视神经与玻璃体的炎症，肿瘤，各类血管的病变，各种变性疾病与多系统疾病引起的眼部病变。不仅种类繁多，而且对视功能损害较大。目前常见而又影响视功能的眼底疾病有糖尿病视网膜病变，老年性黄斑病变，视网膜静脉阻塞等等。眼底疾病变常见于动脉硬汉，高血压，糖尿病，肾炎，贫血，流感，结核，高度近视，颅内上位性病变等。如果能够得到尽早的诊断和治疗，如此可以有效的控制病情的开展；另一方面，通过对眼底病变的观察，可以辅助诊断其他疾病的开展。常见的眼底病变影像诊断方式有：1、 检眼镜。目前常用的直接检眼镜检查方式，费时费力，一些瞳孔较小的患者需要进展散瞳，易引起眼压升高，不适用于高血压、青光眼等不适于进展散瞳检查的患者。2、 免散瞳眼底照相。利用高感光原理,提高相机的感光度,使用较弱光线(瞳孔较大)对眼底进展照相，能够在短时间取得图像，如果不清晰，如此可以通过现代技术手段降低误差，方便资料存储。且成像清晰，能够看到更多细节，极大地缩短了诊断周期，并减轻了散瞳剂给患者带来的痛苦。在控制质量上和二次取得图像方面，具有比拟优势。同时也能在小瞳孔的条件下，将眼底图像加以记录，防止胶片作为存储介质的缺点。受试者能够取得良好依从性。3、 荧光素眼底血管制影。是20世纪60年代兴起的眼科检查手段。利用荧光素钠做为制影剂畴前臂静脉快速注入，当荧光素钠随血流进入眼底血管时，通过一组滤色片的眼底摄影机，持续拍摄眼底血管外染料轮回时接收激发光线发射出的荧光形态，以观察视网膜动态轮回的过程，从而得以体会眼底血管的微细结构和微轮回的变化，为诸多眼底病的发病机理、诊断、医治和预后评估供应按照。但不适应于患严重心、肝、肾疾病者或对药物有过敏史者、孕妇。作为近视、糖尿病、高血压等健康疾病的多发国家，目前眼底病患数量日益增大而医疗力量不足的现状，国家医改政策趋向于将病人留在社区，常见病、多发病、慢性病、眼科需承受分级治疗。而社区的眼科医疗队伍更是严重缺乏。如果能用人工智能辅助进展眼底照相图像筛选，对于合理国内医改越眼底照相设备对于提高效率和整体治疗水平至关重要。2、国内外眼底病变辅助诊断研究的现状与存在的问题目前国内从事眼底病研究的单位主要是相关研究所与一些高校和与一些高校合作的公司，研究内容与糖尿病和青光眼等疾病相关的居多，下面主要介绍一下对糖尿病视网膜病变的研究。糖尿病视网膜病变(Diabetic Retinopathy , 简称DR)，发生在糖尿病损伤视网膜内部的微小血管时，这种微小的血管会在视网膜上渗出血液和液体，形成微脉瘤、出血、硬性渗出物、棉花斑和静脉环等特征。DR可广泛分为非增殖性糖尿病视网膜病变NPDR和增殖性糖尿病视网膜病变PDR。此外，糖尿病视网膜病变也是糖尿病最常见的微血管并发症之一，一般可以分为亮病变和暗病变，亮病变包括硬溢出物和絮状体，暗病变包括微脉瘤和出血。86%的1型糖尿病失明患者与约1/3的2型糖尿病失明患者因DR致盲,是成人失明的重要原因 ,在兴旺国家DR已成为其研究的首要内容。随着糖尿病患者数量急剧增多,因DR致盲和视力下降的患者日益增多。现在医学上多采用眼底荧光血管造影检查的方法，由相关医学专家观察鉴定后给患者的情况下结论，在互联网+开展迅速的今天，视觉和听觉方面的医学病例研究越来越多的被注入了互联网的基因特别是机器学习方面的因素。临床医学研究明确：糖尿病性眼病的早期病变可通过视网膜和细微视神经组织结构的医学图像信息具体相关描述如下： 2013 某某某某大学X东波教授等人，在某某省科技厅计划项目“糖尿病性视网膜眼底图像早期病变检测关键技术研究中，运用 Gabor 滤波并结合边缘抑制技术、多尺度和多滞后阈值等相关技术分割提取精细的血管结构；并运用多尺度匹配滤波和背景估计等相关技术对眼底病变中的微脉瘤检测，达到了40.9%的准确率。根据微脉瘤的视觉可观察性，可将其划分为四类：微弱的、常规的、显著的、邻近血管的，其中微弱的和邻近血管的微脉瘤往往很难被正确检测，根据相关材料在Retinopathy Online Challenge上当时最好的检测结果为40%。 2008 某某交通大学研究生林蔚在指导教师X继武的指导下，提出了基于K近邻图区域合并的视网膜硬性渗出自动检测研究算法。同样是采用了眼底图像增强技术进展预处理，然后根据灰度、颜色、比照度等方面的特征进展提取和分类。 2013 某某航空航天大学高玮玮等人，为寻求满足临床需求的硬性渗出自动检测方法,从而构建出基于眼底图像的糖尿病视网膜病变自动筛查系统,在利用Otsu阈值分割结合数学形态学快速提取出视盘的根底上,提出了两种硬性渗出自动检测方法(基于数学形态学的硬性渗出自动检测方法和基于RBF神经网络的硬性渗出自动检测方法),在此根底上还提出要采用后续处理以进一步提高检测精度,还就检测结果进展了比拟。与其他硬性渗出自动检测方法相比,这两种方法在保证较高检测精度的根底上,效率也较高;在这两种方法之间,基于数学形态学的方法精度更高,基于RBF神经网络的方法效率更高;结合临床对硬性渗出自动检测快速、可靠性的要求,得出基于RBF神经网络的方法作为糖尿病视网膜病变自动筛查系统中的硬性渗出自动检测方法性能更优。 2014 某某大学潘燕红等人，提出基于SVM的眼底图像硬性渗出检测，对眼底图像进展数学形态学结合阈值方法的粗分割,得到硬性渗出的候选区域;然后在候选区域上提取特征,并在特征提取中引入调幅-调频(AM-FM)特征;接着用SVM分类出HEsHard Exudates 硬性渗出和非HEs。在公开的糖尿病视网膜病变图像库DIARETDB1上进展实验,结果敏感性为91.1%,特异性为94.7%。明确该方法可对HEs进展可靠检测。 2016华侨大学硕士杜雨峰在凌朝东教授的指导下，做了基于眼底图像的糖尿病视网膜病变检测系统的研究。他们在文章中提出要开发一套便携式眼底病变诊断设备，使患者在视力受到损伤之前进展定期的眼底检查，这在与早发现和与时治疗方面将发挥关键的作用，同时也能帮助数百万处在医疗服务较差的地区的人们。文章中他们提出：“由于受眼底图片质量的影响，大局部的实验正确率会很低，也因此提出了增强眼底图片质量的方法：对眼底图像进展HSI空间转换，在强度空间中值滤波后运用比照度受限直方图均衡技术进一步增强图像质量。接下来再将预处理好的眼底图像转换到色域更宽的lab空间，利用快速K均值聚类算法进展粗分割，然后利用SVM向量机对粗分候选区域进展硬性渗出可能是高血压所导致的局部血管渗出，极有可能会损伤视力提取。由于各种因素的影响，国外科技开展进度一直处于领先状态，在眼底病研究方面，早在1996年，Gardner等人利用神经网络Back Propagation，BP自动检测出了硬性渗出Hard Exudates，HEs；之后Walter 等人通过数学形态学对渗出物轮廓进展检测，然而作者无视了渗出物边界产生的一些错误，而且没有从絮状物中别离出渗出物；后来，Niemeijer M 等人直接从彩色图像中别离渗出物、絮状斑和脉络膜玻璃疣；再后来，Sopharak A 等人采用Fuzzy C-Means 聚类算法对视网膜病变病人的免散瞳低比照度数字图像进展渗出物自动检测；最后，L.Giancardo 等人提出基于Kirsch边缘检测算子和稳态小波的分析方法，在数据集DMED 中对硬性渗出进展别离，并在通用数据集上进展测试取得了良好的检测效果。当然各种新的方法也在陆续的提出，在这里就不一一赘述了。下面是最近几年国外有关学者做的相关研究： 2008 新加坡南洋理工大学Acharya和Lim等人，根据糖尿病视网膜病变的各种特性，采用形态学图像处理技术和支持向量机SVM技术对糖尿病患者定期视网膜检查自动检测进展了相关的研究。他们对331幅眼底图像进展分类，并得到了五种分类结果：正常视网膜，轻度非增殖性糖尿病视网膜病变，中度非增生性糖尿病视网膜病变，严重非增殖性糖尿病视网膜病变和增殖性糖尿病视网膜病变。并使用图像处理技术从原始图像中提取出了血管、微量血液、渗出物和出血这四个特征，将这些特征传输SVM分类器进展分类，并达到了85%的准确率，82以上的敏感度和86的特异性敏感度是实际有病而且被正确诊断出来的概率，特异性就是实际没病而且被正确诊断的概率，即敏感度高=漏诊率底，特异性高=误诊率低。试验中他们对分类器朴素贝叶斯分类器，Mahalanobis和k-最邻近分类器进展了比拟发现Mahalanobis分类效果最优。 2011 在糖尿病科学与技术杂志上Jayanthi Sivaswamy和Gopal Datt Joshi博士基于大多数糖尿病患者不能承受定期眼科护理，通常在局部视力丧失发作后诊断的原因，提出并开发了一种基于web采集、分类糖尿病患者眼底病变图像的系统，预筛选系统来检查患者的眼底图像，并将有视网膜病变的患者信息转交给专家并反应给患者，这样在很大程度上解决了专家稀缺的情况，而且它为初级保健者提供了一种低本钱、有效且易于使用的筛选解决方案。此外经本系统统计，来检查的人当中，80%左右的人属于正常X围。本设计中的创新点在于：将自动眼底图像分析整合到与web端摄像头配套的眼底照片拍摄仪上，将DR患者和非DR患者按照标准进展分类，这样解决了大规模疾病筛查中众所周知的挑战，自动质量评估模块确保转移符合分级标准的眼底图像。此外，这是一个易于使用的界面，具有新的可视化功能，专为案例审查而设计，还能收集各种关于DR患者的眼底图片，这样在方便患者和减轻专家工作压力的同时，还有助于后期对DR自动识别诊断的研究。 2013 美国新泽西州医学与牙科大学眼科与视觉科学研究所Anton M Kolomeyer等人，就眼底荧光造影FAF对于检测糖尿病视网膜病变的效果是否受彩色眼底照片的影响做了相关的实验，并发现微动脉瘤和脉络膜视网膜瘢痕在FAF图像上更容易看到。硬渗出物、视网膜前出血和纤维化、黄斑水肿和Hollenhorst斑块在彩色照片上更容易识别。因此，作为彩色眼底成像技术的FAF成像在眼底病筛查中检测糖尿病视网膜病变有进一步研究的价值。 2016 在糖尿病科学与技术杂志上Malavika Bhaskaranand和Chaithanya Ramachandra等人，对糖尿病性视网膜病变DR自动筛查分析提出了一种新的思路，他们对患者的眼底图像进展整理并按像素分类整理，把像素较低影响临床诊断的图像暂时搁置，对像素较好的图像进展增强处理主要是增强血管、出血、棉花斑点、微脉瘤和黄斑水肿等特征，在去除边界干扰与噪声后使用监测工具对各特征像素点进展监测并进展标记和排定，利用一组特征描述符多尺度中值滤波器组描述符，定向中值滤波器组描述符和其他建立的描述符来描述由各个特征区域检测器识别的像素其允许在多个尺度上进展本地描述。 使用综合监视学习分类器对所计算的像素描述符进展分类，以获得描述属于MA微脉瘤的像素的置信度的判定统计，并用监视学习分类器分析杂交后的像素，用于鉴定微脉瘤，出血，硬渗出物，棉花斑点，黄斑水肿和新生血管形成。这样分类后的结果可达到90%的灵敏度和90%的特异性。也因此使用他们提出的自动化DR糖尿病性视网膜病变筛选和监测工具可以大大降低卫生保健系统的负担，同时为糖尿病患者提供更好的护理。将近年来的机器学习方法应用于眼底病变研究成果统计如下：表2 机器学习应用于眼底病变糖尿病诊断研究统计表年份研究者诊断内容准确率方法数据来源2008Acharya和Lim等人不同程度糖尿病视网膜病变检测Norm-al，Mild DR，Moderat-e DR,Severe DR,PDR平均敏感度：82%平均特异性：86%用形态学处理的方法增强图像，提取图像中的一些特征血管、微量血液、渗出物和出血加以筛选后输入SVM分类器进展分类识别331幅五种像素为256x256的不同程度糖尿病患者视网膜图片，其中：Normal：62Mild DR：73Moderate DR：65Severe DR：71PDR：602011Jayanthi Sivaswam-y和Gopal Datt Joshi博士筛选威胁性糖尿病视网膜病变患者平均准确率超过90%利用图像处理技术增强图像，筛选并检测是否有与DR有关的异常微动脉瘤，硬/软渗出物和出血等，假设有如此记录并保存并同时向专家和患者发出反应119例糖尿病患者的临床试验，其中36例正常，33例轻度，23例中度，9例重度，3例PDR，15例黄斑水肿2014Saima Waseem黄斑病变玻璃疣和渗出物平均准确率：92%预处理增强图像、去燥后的第一阶段检测图像中的所有亮像素。从检测到的区域中删除可疑像素；在第二阶段，明亮区域通过支持向量机SVM分类出玻璃疣和渗出物数据集为STARE的公开可用数据集，包含大小为700X605的123X图像，60幅图像与黄斑病变相关，63幅图像为糖尿病性视网膜病变。2016Malavika Bhaskaranand和Chaithanya Ramachandra糖尿病性视网膜病变DR平均灵敏度：90%平均特异性：63.2%在增强图像去除边界干扰与噪声后使用监测工具对各特征像素点进展监测并进展标记和排定，利用一组特征描述符来描述由各个特征区域检测器识别的像素使用综合监视学习分类器对所计算的像素描述符进展分类5084名糖尿病患者的40542X图像的数据集，像素从200万到1500万2016A.L Nanayakk-ara和N. D Kodikara渗出液和微脉动瘤平均准确率：85%用MATLAB预处理眼底图像，提取出渗出液或微脉瘤等用于检测异常阶段，使用统计模型将这些提取的特征转化为基于区域的统计数据，并将输出值发送给ANN100名患者组成，包括四类健康，轻度，中度和重度患者的眼底图像2016Navkiran Kaur视网膜眼底图像的红色病变也叫出血平均敏感度：90.42%平均特异性：92.53%平均准确率：89.23%用图像处理技术增强图像并在视网膜中定位出中心凹，平滑图像并找出候选区，运用形态运算和随机森林的组合分类方法来进展评估从数据集DIARETDB1获得的50个视网膜图像2016Radim Burget和Vaclav Uher视网膜红色病变微动脉瘤和出血平均灵敏度：89.1%平均特异性：91.4%采用基于形状的提取算法，策略性地选择三种基于形状的参数面积，偏心度，周长，基于这些参数，可以从视网膜图像中提取红色损伤，有效并且独立于图像质量数据集120X眼底图像，其中89X图像从DIARETDB1数据库中获取其余图像从当地医院的数据库中取出2016May Phu Paing病性视网膜病变的严重程度血管，渗出液和微动脉瘤平均准确率：96%通过应用人工神经网络ANN，将糖尿病视网膜病变血管，渗出液和微动脉瘤等的面积，周长和数量等特征用于分类疾病阶段数据集是来自DIARECTDB1和本地数据库的214X眼底图像2017Wei Zhou和Chengdon- g Wu红色病变出血、微脉瘤平均灵敏度：91.89%平均特异性：91.67%对图像进展预处理增强图像、去除噪声并将膜图像调整为归一化照明和比照度条件，然后采用超像素分割获得红色结构，并从候选分割区域中提取一组特征，用FDA类器对候选地区进展培训和分类，最终去除血管和中心凹获得检测结果数据集是由DiaretDB1数据库标准糖尿病视网膜病变数据库校准级别1，版本1提供的89幅RGB彩色眼底图像，固定的分辨率为150011522017谷歌公司诊断、预防眼病和失明深度学习算法，正在进展中摩菲眼科医院NHS信托基金过去数年收集的逾100万X眼睛扫描图2017Norhasmir-a Mohamm-ad微脉瘤平均准确率：84.15%预处理阶段用到使用伽马矫正进展绿色成分提取和底帽过滤的方法，通过应用高斯匹配滤波器来提取血管，然后使用某个阈值使其分段，最后用TEMPLAR算法进展分类9个含有微脉瘤的图像的学习过程3、现有研究根底与展望目前，针对眼底图像分析问题，我们进展了局部预研工作，方案由以下几局部组成：l 数据的来源：我们现有的数据是由某医院与该院相关医生提供的带有标记的眼底图像共325幅分辨率为1536x1590的图片，图像的类型主要有黄斑病变类图片、糖尿病视网膜出血图片微血管瘤、需要临床检测的图片无法检测类、正常视网膜图片等，由于其中一些数据的质量问题图片模糊，具体的病变特征显示不出来，给识别图片中的特征造成了麻烦。下面是根据已有数据分出的六类图片中的一局部：视网膜分支静脉阻塞类 黄斑病变类微血脉瘤类糖尿病视网膜病变 正常眼底图像中浆类 视网膜出血类局部技术细节如如下图所示：将准确率低的某一类单独取出来做二分类，对整体准确率低的重新进展特征提取眼底图像预处理根据数据集的大小设置隐含层的数目，并不断地修改参数，可用遗传算法解决对每类图像添加04的标签，并生成相应的计算机可识别的日志文件神经网络的训练隐含层数目阈值与传递参数网络参数的选择对数据加标签神经网络的预训练生成日志文件增强图像质量，裁剪图像尺寸，对强度进展均衡化处理质量不达标的图像筛除均衡化处理数据预处理图像的筛选图像的获取掩模处理实验分析实验可能遇到的瓶颈整体准确率都很低某一类准确率太低这些问题都是由于数据量过少引起的，可以通过对二维图像进展三维重建生成我们需要的数据数据不均衡化数据过拟合实验结果的评判标准l 数据预处理与实验设备的准备：目前我们的设备主要是用于深度学习的带有GPU的计算机包含了用于深度学习的caffe框架。图像的预处理阶段是采用数字图像处理技术，以使图像中的特征显示更突出，减小图像的大小从而提高算法的运行速度。以图像掩模处理为例。掩模是由0和1组成的一个二进制图像，当在某一功能中应用掩模时，1值区域被处理，被屏蔽的0值区域不被包括在计算中。通过指定的数据值、数据X围、有限或无限值、感兴趣区和注释文件来定义图像掩模，也可以应用上述选项的任意组合作为输入来建立掩模。具体步骤：首先提取感兴趣区,用预先制作的感兴趣区掩模与待处理图像相乘,得到感兴趣区图像,感兴趣区内图像值保持不变,而区外图像值都为0提取感兴趣区；然后用掩模对图像上某些区域作屏蔽,使其不参加处理或不参加处理参数的计算,或仅对屏蔽区作处理或统计屏蔽作用；再用相似性变量或图像匹配方法检测和提取图像中与掩模相似的结构特征结构特征提取；最后用选定的图像、图形或物体,对待处理的图像(全部或局部)进展遮挡,来控制图像处理的区域或处理过程目标图形的制作。其中用于覆盖的特定图像或物体称为掩模或模板。实验中我们首先用图像掩模缩小眼底图像感兴趣区Region of Interest，ROI边界，对图像进展阈值转换分割，通过实验确定达到分割效果最好时的阈值，然后对图像进展两次形态学开运算，从背景和前景区域移除细小区域，得到最终的图像掩模，将原图与得到的掩膜图像相乘，得到背景无噪音的图像，而感兴趣区不变，最后对眼底图像的尺寸进展裁剪，以减少处理时间，在掩模图像边框上下左右各增加20个像素来进展修剪，得到最终的图像掩模和待处理图像一方面缩减了图像的尺寸提高了算法的运行速度，另一方面也突出了感兴趣区域。l 提取血管特征后的眼底图像l 神经网络的训练与数据的验证和测试：对于网络的选择，我们现有的网络模型有goole-net、image-net和alex-net三个网络这三个网络分别适应于不同大小的数据集的分类，对于神经网络的训练，主要是参数的选择以与隐含层的设置隐含层数目、传递参数与阈值的选择我们可以结合遗传算法，进展最优化选取，使实验效果尽可能的好；根据原325幅彩色眼底图像，经筛选后合格的图像有300幅，训练集我们用150幅图像，验证集用50幅图像，测试集用100幅图像每类眼底图像都包含。对实验的效果的评估我们用相对准确率来衡量，即每一类都有TP把P类正确分类为P类的高概率，FP把其他类错误分到P类的概率，Accuracy总体分类正确的概率，实验中对于正确率较低一直无法提高其准确率的类别可以将其单独的别离出来，对其他做完分类后再对其进展二分类实验，本次实验是在caffe框架下用其自身包含的几个模型来学习训练，由于神经网络的自适应学习特点，对特征明显的数据分类一般会达到比拟好的效果。针对国内外眼底病研究的分析和预研的根底上，我们发现目前眼底图像辅助分析存在以下突出问题：1、 现有研究多基于一类特定病变进展，还未出现一种能够针对多类眼底病变的辅助诊断模型，在实际应用中自动诊断依然无法取得良好效果。2、 现有研究往往基于一类眼底图像进展，缺乏不同图像之间的融合信息。不同类型的眼底图像，在辅助诊断效果上方面也存在着差异。例如，眼底荧光造影获得的黑白图像与彩色眼底图像对于不同病变特征的凸显作用存在很大的差异。3、 眼底图像的质量与数量将在很大程度上影响实验的结果，除个别研究机构外，普遍采用的图像数量较少，有较大的提升空间。4、 眼底病变中有些特征的干扰因素太强，目前还未找到较好的消除方法，导致识别效果不佳。比如：许多红色病变特别是出血与血管连通，导致难以到达完全删除它们；许多微脉瘤的尺寸都非常小，而且与血管很接近，很难做到很好的分割效果；外来因素造成出血与病变造成出血特征还没能有具体的区别；5、 现有研究多采用二维数据进展，缺乏立体信息。假设能利用二维图像，对眼球进展三维立体建模，对于眼球病变辅助诊断将非常有益。针对上述问题，我们在预研的根底上提出了以下的解决方案与技术路线。1、 针对多类常见眼底病变，建立统一眼底模型；2、 采用不同设备采集眼底信息，对多通道眼底信息进展融合分析；利用多种类眼底影像信息提升辅助诊断的准确新；3、 分析眼底相机成像机制，采用更适合处理眼底图像形变的图像预处理方法，增强特征；4、 利用深度学习技术取代传统机器学习，构造针对多类病变的具有高分辨和泛化能力的分类器；5、 尝试进展眼球病变的三维立体建模。采用合成模型生产样本的方式，增大深度学习训练集样本数量，并用真实样本矫正的方式建立回归模型。或者考虑利用生成对抗网络进展病变分类的训练和提升；6、 设计并实现眼底病变辅助诊断系统，以或者移动端APP的形式，构造一个眼底病变远程诊断预判/分级医疗预诊咨询平台。图示如下：4、期待获取的支持与协助 目前我们的预研实验离理想效果还存在着很大的提升空间，迫切的需要得到眼科专业人员的支持和协助。根据前期的工作分析，目前我们需要的协助主要有以下方面：1、 需要采集更多的眼底图像；2、 需要专业人员对图像上的特征区域进展标记，并建立图像类别标签；3、 需要专业人员指导选择2-3类常见/有临床研究意义的病变种类进展研究目前，项目组的人员主要为某某大学计算机学院的青年教师，均为计算机专业博士与硕士，项目主要实施地点为某某市软件工程重点实验室。目前课题组成员负责的相关课题有国家自然科学基金项目2项，分别是三维建模与植物病害诊断；此外还承当与完成省部级项目多项。我们深知，医务工作者工作量大、责任重大；需要您们在本职工作之外对此项目进展支持，我们深表感激，并非常珍惜此次合作机会。我们期待，项目的研究能够有所突破，能够对国内眼科影像医学的开展有一点帮助。18 / 18