目的:將糖尿病患者的眼底熒光血管造影圖片與計算機深度學習技術(shù)及圖像配準技術(shù)相結(jié)合,利用海量的標注過新生血管及黃斑水腫的熒光造影圖片對智能診斷系統(tǒng)進行學習訓練,組建一套基于眼底熒光血管造影的糖尿病視網(wǎng)膜病變新生血管及黃斑水腫的智能診斷系統(tǒng),并對該智能診斷系統(tǒng)進行檢測及驗證,得出相應的靈敏度及特異度。方法:收集2家不同醫(yī)療機構(gòu)的682位糖尿病患者的30034張眼底熒光血管造影圖片,邀請3名眼底病專家對熒光造影圖片進行“背靠背”標注,對同一圖片的不同標注意見采用多數(shù)同意原則并結(jié)合臨床診斷報告。隨機選取682位患者中的608位患者的已準確標注的數(shù)據(jù)（總計25695張圖像）用作訓練/驗證集,余下的74位患者的標注數(shù)據(jù)（總計3253張圖像）作為測試集,對智能診斷系統(tǒng)進行訓練和測試,最后以靈敏度及特異度對系統(tǒng)進行評估。結(jié)果:分別使用兩次內(nèi)部驗證及外部驗證對智能診斷系統(tǒng)進行驗證及測試,其中第一次內(nèi)部驗證檢測新生血管靈敏度及準確率分別為0.524和0.185,黃斑水腫靈敏度及準確率分別為0.715和0.556。外部驗證檢測新生血管靈敏度及準確率分別為0.538和0.151,黃斑水腫靈敏度及準確率分別為0... 

【文章來源】：西南醫(yī)科大學四川省

【文章頁數(shù)】：70 頁

【學位級別】：碩士

【部分圖文】：

陽性體征標注工具labelImg

22圖像裁剪。原始圖像的大小為768×868，在分析單色照片的有效區(qū)域后，我們認為最上部分的768×768區(qū)域是有效區(qū)域，只裁剪這部分區(qū)域可以最大限度地保留病變圖像地有效信息，并且節(jié)約計算性能。（如圖2）圖2圖像裁剪前后的對比執(zhí)行裁剪方法的代碼在項目相關(guān)文檔的fix_image.py文件中。具體的裁剪方法如下：1、把所有圖像放在同一個文件夾中。2、使用os.listdir()函數(shù)采集這個文件夾中的所有文件的地址路徑。3、對于每一個圖像地址，使用PIL.image.open()函數(shù)打開該圖像。4、使用PIL.image.crop()函數(shù)處理圖像，對應的函數(shù)參數(shù)為(0,0,768,768)。5、保存圖像在原位置。2.2基于RetinaNet的檢測模型現(xiàn)有的目標檢測網(wǎng)絡(luò)有2大結(jié)構(gòu)：一是，以RCNN（Region-CNN）為代表的兩步式檢測網(wǎng)絡(luò)。這種方法，首先提取出可能含有目標的候選框，然后對候選框進行進一步地分類和坐標回歸。由于首選篩選出了可能具有目標的區(qū)域，所以后期的檢測部分的訓練可以更有針對性，

23導致整體檢測精度更好。但是由于整個流程分兩步進行，所以流程更復雜，計算也更慢。二是，以YOLO（YouOnlyLookOnce）為代表的一步式檢測網(wǎng)絡(luò)。這種方法使用覆蓋全圖的Anchor作為檢測的基礎(chǔ)，在此之上進行分類和回歸。由于需要對整張圖像都要參與檢測部分的訓練，缺乏了針對性，所以這種方法的檢測精度沒有二步式的好。但是由于一步地檢測網(wǎng)絡(luò)的結(jié)構(gòu)相對簡單，所以計算速度要比兩步式更快。黃斑水腫和新生血管的臨床檢測需要高精度的檢測方法，相對不關(guān)心模型的運行時間，原本應該采用RCNN系列的兩步式檢測網(wǎng)絡(luò)。但是由于數(shù)據(jù)集中的樣本目標具有顯著的稀疏性，大部分數(shù)據(jù)都無法提供有效的訓練信息，所以擁有focalloss的RetinaNet更適合應對這種陰陽性目標樣本不平衡的數(shù)據(jù)集。焦慶磊[25]在基于CNN的X光胸片肺結(jié)節(jié)檢測方法研究中，報道了RetinaNet表現(xiàn)出比fasterRCNN更好的性能。故使用RetinaNet框架作為本課題的病變檢測基矗2.2.1網(wǎng)絡(luò)結(jié)構(gòu)圖3RetinaNet網(wǎng)絡(luò)結(jié)構(gòu)RetinaNet的結(jié)構(gòu)分為3部分（如圖3）：（a）底層為以殘差網(wǎng)絡(luò)（ResNet）為例的卷積神經(jīng)網(wǎng)絡(luò)（ConvolutionalNeuralNetworks,CNN），

【參考文獻】：
期刊論文
[1]兩種影像技術(shù)在糖尿病視網(wǎng)膜病變中的診斷價值比較[J]. 潘艷杰,查俊華,楊云祥,何迎.  河南醫(yī)學研究. 2019(20)
[2]廣角激光掃描檢眼鏡篩查近視眼術(shù)前眼底病變的臨床研究[J]. 付彩云,王剛,鄭燕,張晶,黃厚斌,張麗,王玥,張秋露,翟長斌.  中華眼科醫(yī)學雜志(電子版). 2019(04)
[3]基于眼底照相的糖尿病視網(wǎng)膜病變?nèi)斯ぶ悄芎Y查系統(tǒng)應用指南[J]. 袁進,雷博,張明,許言午,任海萍,楊衛(wèi)華,陳新建,魏雁濤,肖鵬,唐曉穎,夏鴻慧.  中華實驗眼科雜志. 2019 (08)
[4]基于區(qū)域卷積神經(jīng)網(wǎng)絡(luò)的目標檢測方法[J]. 崔東林.  電子技術(shù)與軟件工程. 2019(13)
[5]糖尿病視網(wǎng)膜病變診治規(guī)范——2018年美國眼科學會臨床指南解讀[J]. 邵毅,周瓊.  眼科新進展. 2019(06)
[6]某三級甲等醫(yī)院住院糖尿病患者視網(wǎng)膜病變知曉率調(diào)查[J]. 吳真祎,彭濤,謝美娜,沈秋華.  中國醫(yī)院統(tǒng)計. 2019(02)
[7]卷積神經(jīng)網(wǎng)絡(luò)的發(fā)展及其在計算機視覺領(lǐng)域中的應用綜述[J]. 陳超,齊峰.  計算機科學. 2019(03)
[8]基于深度學習的人工智能技術(shù)在乳腺癌篩查及影像診斷中的應用進展[J]. 潘德潤,秦耿耿,陳衛(wèi)國.  國際醫(yī)學放射學雜志. 2019(01)
[9]免散瞳眼底照相在糖尿病視網(wǎng)膜病變篩查中的應用分析[J]. 林秀琴,熊義斌,肖鍵,徐亞娟,林少君,張志輝,廖國偉.  國際眼科雜志. 2019(01)
[10]眼底熒光血管造影在糖尿病視網(wǎng)膜病變中的應用價值及特征分析[J]. 姜曉丹,蔣燕鈮,李爽,彭艷陽,溫權(quán)生,王洪梅.  國際眼科雜志. 2018(09)

博士論文
[1]糖尿病微血管并發(fā)癥視網(wǎng)膜血管管徑的變化及芪明顆粒干預的影響[D]. 曹平.成都中醫(yī)藥大學 2016
[2]固本祛瘀通絡(luò)法抑制PDR的臨床觀察與機理研究[D]. 蘇風軍.山東中醫(yī)藥大學 2014

碩士論文
[1]關(guān)于老年性白內(nèi)障晶狀體混濁分級的智能診斷及相關(guān)臨床研究[D]. 聶敏.西南醫(yī)科大學 2019
[2]基于CNN的X光胸片肺結(jié)節(jié)檢測方法研究[D]. 焦慶磊.中國科學技術(shù)大學 2019
[3]免散瞳超廣角視網(wǎng)膜成像系統(tǒng)在快速大規(guī)模糖尿病視網(wǎng)膜病變篩查中的應用[D]. 李占峰.天津醫(yī)科大學 2016
[4]熒光素鈉眼底血管造影不良反應的回顧性分析[D]. 章欣怡.汕頭大學 2007



本文編號：3373090