基于分数阶微分和深度学习的糖尿病视网膜图像分析算法研究

The color fundus image is an important basis for the clinical diagnosis of eye-related disease by the ophthalmologist. By examining the potentially diseased areas in the fundus image thoroughly, an ophthalmologist can evaluate the patient's condition and give the appropriate treatment advice. The color fundus image is an important basis for the clinical diagnosis of eye-related disease by the ophthalmologist. By examining the potentially diseased areas in the fundus image thoroughly, an ophthalmologist can evaluate the patient's condition and give the appropriate treatment advice. This paper mainly researches the following four aspects:(1) Retinal image enhancement algorithm based on fractional differential;(2) Retinopathy classification algorithm based on Deeply Supervised ResNet(deeply supervised nets and deep residual networks);(3) Retinal image segmentation algorithm based on deeply neural networks; (4) retinal lesion region detection based on weakly supervised localization. Through theoretical analysis and simulation experiments, the quantitative evaluation, performance analysis and series of conclusions given by this paper can provide new ideas and theoretical basis for the treatment and precise treatment of fundus diseases.

彩色眼底图像是眼科医生对眼底疾病患者进行疾病诊疗的重要依据，通过对眼底图像中潜在的患病区域进行详细的筛查与诊断，医生可以对患者的病情进行评估并给出相应的治疗措施。传统的视网膜图像处理方式主要是分阶段处理，受制于医生经验，耗时耗力，效率不高。本项目以视网膜眼底图像这一特定影像数据为研究对象，面向临床应用为目的，利用分数阶微分理论和深度学习算法，拟研究构建视网膜图像增强、视网膜图像分类、视网膜血管分割和病变区域检测定位的算法框架。具体研究内容包括：（1）基于分数阶微分的视网膜图像增强算法研究；（2）基于深度监督残差网络的视网膜病变分类算法研究；（3）基于深度神经网络的视网膜图像分割算法研究；（4）弱监督条件下的视网膜病变区域检测定位研究。通过理论分析和仿真实验，本项目所给出的定量评价、性能分析以及系列结论，能为加强眼底疾病的救治和精准治疗提供新思路和理论依据。

彩色眼底图像是眼科医生对眼底疾病患者进行疾病诊疗的重要依据，通过对眼底图像中潜在的患病区域进行详细的筛查与诊断，医生可以对患者的病情进行评估并给出相应的治疗措施。传统的视网膜图像处理方式主要是分阶段处理，受制于医生经验，耗时耗力，效率不高。本项目以视网膜眼底图像这一特定影像数据为研究对象，面向临床应用为目的，利用分数阶微分理论和深度学习算法，拟研究构建视网膜图像增强、视网膜图像分类、视网膜血管分割和病变区域检测定位的算法框架。具体研究内容包括：（1）基于分数阶微分的视网膜图像增强算法研究；（2）基于深度监督残差网络的视网膜病变分类算法研究；（3）基于深度神经网络的视网膜图像分割算法研究；（4）弱监督条件下的视网膜病变区域检测定位研究。通过理论分析和仿真实验，本项目所给出的定量评价、性能分析以及系列结论，能为加强眼底疾病的救治和精准治疗提供新思路和理论依据。. 针对糖尿病视网膜图像数据集有限、模糊不清、特征不显著、对比度不强等图像增强问题，利用分数阶自适应增强算法完成视网膜图像的增强以及数据集的合理扩充。针对糖尿病视网膜病变分类问题，设计基于深度学习的分类网络模型对眼底图像进行病变分类，所设计的算法在加权Kappa值可以达到0.841，具有好的分类效果以及良好的鲁棒性。针对RGB血管图像分割问题，提出一种基于改进的粒子群-樽海鞘算法的RGB血管图像分割方法，分割方法准确性可达96.3%、特异性可达98.5%。针对糖尿病视网膜图像硬性渗出物检测过程中所出现的视盘区域误检现象，在进行检测环节之前选择对视盘进行分割。设计一种基于灰度相似度的改进Harris算法完成准确的视盘定位。针对糖尿病视网膜增生病变图像的病灶点分割问题，设计基于改进的Mask-RCNN算法病变眼底图像分割模型。