基于人工智能芯片的糖尿病性视网膜病变快速分类与分期方法研究

With the high incidence of diabetes, diabetic retinopathy (DR) is more and more important cause of blindness. Fundus color photo technology provides a convenient ophthalmologist diagnosis and treatment of DR. However, most ophthalmologists still use manual methods to measure and analyze various parameters of the retina. This approach requires a high level of physician experience and and its subjectivity is strong. And ophthalmologists are faced with a problem that it is difficult to comprehensive analyze a large number of data. In this project, we will use the new and efficient feature extraction, convolution neural network and artificial intelligence chip design technology to analyze and deal with the clinical DR fundus color photos data, and establish a set of efficient and automated DR classification and staging methods, quantitative measurement and automatic identification of various DR Lesions and processes. We will evaluate the consistency of the method with other DR diagnostic techniques and diagnosis of professional ophthalmologist. This project explores new methods and techniques to improve the speed and accuracy of existing DR diagnostics.

随着糖尿病的高发，糖尿病性视网膜病变（diabetic retinopathy，DR）成为越来越重要的致盲原因。眼底彩照技术为眼科医生临床诊治DR提供了方便。然而目前大部分眼科医生仍采用传统手工方式对视网膜各种参数进行测量和分析，这种方式对医生经验要求高，主观性强，同时医生又面临着大量数据难以全面分析的问题。本项目拟采用新型高效的特征提取、卷积神经网络和人工智能芯片设计技术，对临床DR眼底彩照数据进行分析与处理，建立一套高效自动化DR分类和分期方法，定量测量和自动识别DR的各种病变成分和进程，评价该方法与DR其他诊断技术以及和专业医生诊断的一致性。本项目为提高现有的DR基本诊断的速度和精度，探索新的方法和技术。

随着糖尿病的高发，糖尿病性视网膜病变（diabetic retinopathy，DR）成为越来越重要的致盲原因。眼底彩照技术为眼科医生临床诊治DR提供了方便。然而目前大部分眼科医生仍采用传统手工方式对视网膜各种参数进行测量和分析，这种方式对医生经验要求高，主观性强，同时医生又面临着大量数据难以全面分析的问题。.本项目的核心思路是在不降低精度的情况下，通过设计人工智能电路和研究算法来提升人工神经网络的速度，从而完成糖尿病性视网膜病变的快速分类与分期，为提高现有的DR基本诊断的效率，提供了新的方法和技术。.使用神经网络芯片运行算法比在计算机上运行算法要高效得多，本项目从硬件角度出发，首先设计了加权和激活函数电路，然后在此基础上设计神经元电路，接着又用神经元电路构成了神经网络系统，最后把神经网络系统电路用于DR的诊断中。本项目不仅完成了各级电路的设计与仿真，还提取了部分系统电路进行了流片测试。实验结果表明本项目提出的神经网络电路有效提升了运算效率，综合性能优于现存类似神经网络电路。.在不影响算法主体结构和不降低精度的情况下，减少算法的计算量能够有效减少运算时间，本项目从提高算法效率角度出发，提出了一种基于k-d树的快速谱聚类算法(KFSC)，在此基础上又进行优化，提出了多尺度快速谱聚类算法(MFSC)，将传统谱聚类算法计算复杂度从n2降低到nlogn。后来为了提高分割的精度，本项目又提出了一种基于注意力机制的卷积神经网络结构算法(ADense2Net)，通过注意力机制引入和多尺度感知卷积的运用，能够更好的提取糖尿病视网膜病变图像中病变部分的特征信息。.通过本项目的研究，我们发表了8篇论文，其中1篇中文核心，1篇SCI收录，6篇EI收录，还获得了申请了5项专利，其中1项已授权。这些成果通过比较都验证了我们提出的新结构与新方法的有效性。.本项目提出的新结构和新方法能够应用于辅助DR临床诊断，提高现有诊断效率。