基于眼底荧光血管造影的糖尿病视网膜病变新生血管及黄斑水肿的智能诊断系统
发布时间：2021-08-30 16:10
目的:将糖尿病患者的眼底荧光血管造影图片与计算机深度学习技术及图像配准技术相结合,利用海量的标注过新生血管及黄斑水肿的荧光造影图片对智能诊断系统进行学习训练,组建一套基于眼底荧光血管造影的糖尿病视网膜病变新生血管及黄斑水肿的智能诊断系统,并对该智能诊断系统进行检测及验证,得出相应的灵敏度及特异度。方法:收集2家不同医疗机构的682位糖尿病患者的30034张眼底荧光血管造影图片,邀请3名眼底病专家对荧光造影图片进行“背靠背”标注,对同一图片的不同标注意见采用多数同意原则并结合临床诊断报告。随机选取682位患者中的608位患者的已准确标注的数据（总计25695张图像）用作训练/验证集,余下的74位患者的标注数据（总计3253张图像）作为测试集,对智能诊断系统进行训练和测试,最后以灵敏度及特异度对系统进行评估。结果:分别使用两次内部验证及外部验证对智能诊断系统进行验证及测试,其中第一次内部验证检测新生血管灵敏度及准确率分别为0.524和0.185,黄斑水肿灵敏度及准确率分别为0.715和0.556。外部验证检测新生血管灵敏度及准确率分别为0.538和0.151,黄斑水肿灵敏度及准确率分别为0...
【文章来源】：西南医科大学四川省
【文章页数】：70 页
【学位级别】：硕士
【部分图文】：
阳性体征标注工具labelImg
22图像裁剪。原始图像的大小为768×868，在分析单色照片的有效区域后，我们认为最上部分的768×768区域是有效区域，只裁剪这部分区域可以最大限度地保留病变图像地有效信息，并且节约计算性能。（如图2）图2图像裁剪前后的对比执行裁剪方法的代码在项目相关文档的fix_image.py文件中。具体的裁剪方法如下：1、把所有图像放在同一个文件夹中。2、使用os.listdir()函数采集这个文件夹中的所有文件的地址路径。3、对于每一个图像地址，使用PIL.image.open()函数打开该图像。4、使用PIL.image.crop()函数处理图像，对应的函数参数为(0,0,768,768)。5、保存图像在原位置。2.2基于RetinaNet的检测模型现有的目标检测网络有2大结构：一是，以RCNN（Region-CNN）为代表的两步式检测网络。这种方法，首先提取出可能含有目标的候选框，然后对候选框进行进一步地分类和坐标回归。由于首选筛选出了可能具有目标的区域，所以后期的检测部分的训练可以更有针对性，
23导致整体检测精度更好。但是由于整个流程分两步进行，所以流程更复杂，计算也更慢。二是，以YOLO（YouOnlyLookOnce）为代表的一步式检测网络。这种方法使用覆盖全图的Anchor作为检测的基础，在此之上进行分类和回归。由于需要对整张图像都要参与检测部分的训练，缺乏了针对性，所以这种方法的检测精度没有二步式的好。但是由于一步地检测网络的结构相对简单，所以计算速度要比两步式更快。黄斑水肿和新生血管的临床检测需要高精度的检测方法，相对不关心模型的运行时间，原本应该采用RCNN系列的两步式检测网络。但是由于数据集中的样本目标具有显著的稀疏性，大部分数据都无法提供有效的训练信息，所以拥有focalloss的RetinaNet更适合应对这种阴阳性目标样本不平衡的数据集。焦庆磊[25]在基于CNN的X光胸片肺结节检测方法研究中，报道了RetinaNet表现出比fasterRCNN更好的性能。故使用RetinaNet框架作为本课题的病变检测基矗2.2.1网络结构图3RetinaNet网络结构RetinaNet的结构分为3部分（如图3）：（a）底层为以残差网络（ResNet）为例的卷积神经网络（ConvolutionalNeuralNetworks,CNN），
【参考文献】：
期刊论文
[1]两种影像技术在糖尿病视网膜病变中的诊断价值比较[J]. 潘艳杰,查俊华,杨云祥,何迎. 河南医学研究. 2019(20)
[2]广角激光扫描检眼镜筛查近视眼术前眼底病变的临床研究[J]. 付彩云,王刚,郑燕,张晶,黄厚斌,张丽,王玥,张秋露,翟长斌. 中华眼科医学杂志(电子版). 2019(04)
[3]基于眼底照相的糖尿病视网膜病变人工智能筛查系统应用指南[J]. 袁进,雷博,张明,许言午,任海萍,杨卫华,陈新建,魏雁涛,肖鹏,唐晓颖,夏鸿慧. 中华实验眼科杂志. 2019 (08)
[4]基于区域卷积神经网络的目标检测方法[J]. 崔东林. 电子技术与软件工程. 2019(13)
[5]糖尿病视网膜病变诊治规范——2018年美国眼科学会临床指南解读[J]. 邵毅,周琼. 眼科新进展. 2019(06)
[6]某三级甲等医院住院糖尿病患者视网膜病变知晓率调查[J]. 吴真祎,彭涛,谢美娜,沈秋华. 中国医院统计. 2019(02)
[7]卷积神经网络的发展及其在计算机视觉领域中的应用综述[J]. 陈超,齐峰. 计算机科学. 2019(03)
[8]基于深度学习的人工智能技术在乳腺癌筛查及影像诊断中的应用进展[J]. 潘德润,秦耿耿,陈卫国. 国际医学放射学杂志. 2019(01)
[9]免散瞳眼底照相在糖尿病视网膜病变筛查中的应用分析[J]. 林秀琴,熊义斌,肖键,徐亚娟,林少君,张志辉,廖国伟. 国际眼科杂志. 2019(01)
[10]眼底荧光血管造影在糖尿病视网膜病变中的应用价值及特征分析[J]. 姜晓丹,蒋燕铌,李爽,彭艳阳,温权生,王洪梅. 国际眼科杂志. 2018(09)
博士论文
[1]糖尿病微血管并发症视网膜血管管径的变化及芪明颗粒干预的影响[D]. 曹平.成都中医药大学 2016
[2]固本祛瘀通络法抑制PDR的临床观察与机理研究[D]. 苏风军.山东中医药大学 2014
硕士论文
[1]关于老年性白内障晶状体混浊分级的智能诊断及相关临床研究[D]. 聂敏.西南医科大学 2019
[2]基于CNN的X光胸片肺结节检测方法研究[D]. 焦庆磊.中国科学技术大学 2019
[3]免散瞳超广角视网膜成像系统在快速大规模糖尿病视网膜病变筛查中的应用[D]. 李占峰.天津医科大学 2016
[4]荧光素钠眼底血管造影不良反应的回顾性分析[D]. 章欣怡.汕头大学 2007
本文编号：3373090
【文章来源】：西南医科大学四川省
【文章页数】：70 页
【学位级别】：硕士
【部分图文】：
阳性体征标注工具labelImg
22图像裁剪。原始图像的大小为768×868，在分析单色照片的有效区域后，我们认为最上部分的768×768区域是有效区域，只裁剪这部分区域可以最大限度地保留病变图像地有效信息，并且节约计算性能。（如图2）图2图像裁剪前后的对比执行裁剪方法的代码在项目相关文档的fix_image.py文件中。具体的裁剪方法如下：1、把所有图像放在同一个文件夹中。2、使用os.listdir()函数采集这个文件夹中的所有文件的地址路径。3、对于每一个图像地址，使用PIL.image.open()函数打开该图像。4、使用PIL.image.crop()函数处理图像，对应的函数参数为(0,0,768,768)。5、保存图像在原位置。2.2基于RetinaNet的检测模型现有的目标检测网络有2大结构：一是，以RCNN（Region-CNN）为代表的两步式检测网络。这种方法，首先提取出可能含有目标的候选框，然后对候选框进行进一步地分类和坐标回归。由于首选筛选出了可能具有目标的区域，所以后期的检测部分的训练可以更有针对性，
23导致整体检测精度更好。但是由于整个流程分两步进行，所以流程更复杂，计算也更慢。二是，以YOLO（YouOnlyLookOnce）为代表的一步式检测网络。这种方法使用覆盖全图的Anchor作为检测的基础，在此之上进行分类和回归。由于需要对整张图像都要参与检测部分的训练，缺乏了针对性，所以这种方法的检测精度没有二步式的好。但是由于一步地检测网络的结构相对简单，所以计算速度要比两步式更快。黄斑水肿和新生血管的临床检测需要高精度的检测方法，相对不关心模型的运行时间，原本应该采用RCNN系列的两步式检测网络。但是由于数据集中的样本目标具有显著的稀疏性，大部分数据都无法提供有效的训练信息，所以拥有focalloss的RetinaNet更适合应对这种阴阳性目标样本不平衡的数据集。焦庆磊[25]在基于CNN的X光胸片肺结节检测方法研究中，报道了RetinaNet表现出比fasterRCNN更好的性能。故使用RetinaNet框架作为本课题的病变检测基矗2.2.1网络结构图3RetinaNet网络结构RetinaNet的结构分为3部分（如图3）：（a）底层为以残差网络（ResNet）为例的卷积神经网络（ConvolutionalNeuralNetworks,CNN），
【参考文献】：
期刊论文
[1]两种影像技术在糖尿病视网膜病变中的诊断价值比较[J]. 潘艳杰,查俊华,杨云祥,何迎. 河南医学研究. 2019(20)
[2]广角激光扫描检眼镜筛查近视眼术前眼底病变的临床研究[J]. 付彩云,王刚,郑燕,张晶,黄厚斌,张丽,王玥,张秋露,翟长斌. 中华眼科医学杂志(电子版). 2019(04)
[3]基于眼底照相的糖尿病视网膜病变人工智能筛查系统应用指南[J]. 袁进,雷博,张明,许言午,任海萍,杨卫华,陈新建,魏雁涛,肖鹏,唐晓颖,夏鸿慧. 中华实验眼科杂志. 2019 (08)
[4]基于区域卷积神经网络的目标检测方法[J]. 崔东林. 电子技术与软件工程. 2019(13)
[5]糖尿病视网膜病变诊治规范——2018年美国眼科学会临床指南解读[J]. 邵毅,周琼. 眼科新进展. 2019(06)
[6]某三级甲等医院住院糖尿病患者视网膜病变知晓率调查[J]. 吴真祎,彭涛,谢美娜,沈秋华. 中国医院统计. 2019(02)
[7]卷积神经网络的发展及其在计算机视觉领域中的应用综述[J]. 陈超,齐峰. 计算机科学. 2019(03)
[8]基于深度学习的人工智能技术在乳腺癌筛查及影像诊断中的应用进展[J]. 潘德润,秦耿耿,陈卫国. 国际医学放射学杂志. 2019(01)
[9]免散瞳眼底照相在糖尿病视网膜病变筛查中的应用分析[J]. 林秀琴,熊义斌,肖键,徐亚娟,林少君,张志辉,廖国伟. 国际眼科杂志. 2019(01)
[10]眼底荧光血管造影在糖尿病视网膜病变中的应用价值及特征分析[J]. 姜晓丹,蒋燕铌,李爽,彭艳阳,温权生,王洪梅. 国际眼科杂志. 2018(09)
博士论文
[1]糖尿病微血管并发症视网膜血管管径的变化及芪明颗粒干预的影响[D]. 曹平.成都中医药大学 2016
[2]固本祛瘀通络法抑制PDR的临床观察与机理研究[D]. 苏风军.山东中医药大学 2014
硕士论文
[1]关于老年性白内障晶状体混浊分级的智能诊断及相关临床研究[D]. 聂敏.西南医科大学 2019
[2]基于CNN的X光胸片肺结节检测方法研究[D]. 焦庆磊.中国科学技术大学 2019
[3]免散瞳超广角视网膜成像系统在快速大规模糖尿病视网膜病变筛查中的应用[D]. 李占峰.天津医科大学 2016
[4]荧光素钠眼底血管造影不良反应的回顾性分析[D]. 章欣怡.汕头大学 2007
本文编号：3373090
本文链接：https://www.wllwen.com/yixuelunwen/wuguanyixuelunwen/3373090.html
最近更新
教材专著
