58、彩色眼底图像病变分层与分析

彩色眼底图像病变分层与分析

1. 研究背景与相关工作

糖尿病视网膜病变（DR）是导致视力丧失的主要原因之一，早期准确检测 DR 对于患者的治疗和视力保护至关重要。近年来，深度学习技术在医学图像分析领域取得了显著进展，特别是卷积神经网络（CNNs）在眼底图像病变分类和检测方面表现出了巨大潜力。

1.1 相关研究成果

• 基于迁移学习的检测模型 ：有研究使用迁移学习（TL）和 CNN 及深度神经网络对眼底图像进行分析，该模型获得了 97.5%的灵敏度、97.7%的特异性和 97.7%的 AUC，有助于眼科医生更准确地检测 DR 的严重程度。
• 青光眼性视神经病变检测 ：Christopher 等人使用包含 14,822 张眼底照片的大型数据库，应用多种深度学习架构检测眼底图像中的青光眼性视神经病变（GON），灵敏度和特异性分别为 88%和 95%，AUC 为 91%，为临床医生在 DR 的自动检测和筛查中提供了决策支持。
• DR 阶段分类 ：Wang 等人使用多种相机从 Kaggle 数据集中捕获了超过 35,000 张眼底图像，经过去噪和优化光照条件后，选择 166 张高质量图像作为输入，部署 AlexNet、VGG16、Inception V3 等 CNN 架构进行 DR 阶段分类，结果表明 InceptionV3 算法表现出色。
• 可转诊糖尿病视网膜病变检测 ：Gulshan 等人使用包含 9963 张图像的 eye PACS - 1 数据集和 17