由于电子产品的不断普及和不健康的用眼习惯,眼科疾病的患者数量不断攀升,其中糖尿病视网膜病变、青光眼、白内障、年龄相关性黄斑病变、高血压和高度近视等六种眼底病变是引起眼科疾病的主因,当前眼科疾病的筛查主要依靠专业医生人工诊断,耗时耗力且诊断成功率低,而智能辅助诊断系统大多专注于检测单一的眼科疾病,因此本文针对视网膜眼底多种疾病的分类问题,综合考虑眼底图像的复杂性和眼底血管结构的重要性,提出了一种眼底多疾病联合诊断算法,可同时对视网膜眼底六种疾病进行识别分类,并取得较好效果,优化眼底疾病筛查流程,有效提升诊断效率、降低诊断成本。本文主要包含以下内容:(1)完成视网膜眼底图像的数据集整理分析和图像处理。汇总和整理收集得到的多个数据集,并对其进行规范化和统一化处理,清除异常图像并剔除干扰标签;进行数据类别不平衡处理,运https://www.selleck.cn/products/Lapatinib-Ditosylate.html用数据增强、重采样、类别权重调整等方法扩充数据集中少数样本数量;进行眼底图像预处理,以去除图像冗余、放大病症细节特征、增强图像的视觉效果和识别性能。(2)完成视网膜眼底图像血管结构分割。设计了两种眼底图像血管分割方法,分别是运用滤波器滤波、形态学处理和阈值分割的基于形态学处理的眼底图像血管分割方法,和向标准U-Net模型添加双向卷积长短记忆网络模块、密集连接卷积模块、BN模块和注意HER2 immunohistochemistry力机制的基于深度学习的眼底图像血管分割方法(BCL-Net模型);并实验证明BCL-Net模型相较传统算法和标准U-Net模型准确率分别提升11.87%和1.56%。(3)完成视网膜眼底图像六疾病联合诊断。提出了基于四通道多任务学习的多病症联合诊断算法(FCML算法),融入了四通道输入、多任务学习和多模型融合模块,并添加注意力机制、双目监督学习和模型随机化等优化策略改善算法性能。综确认细节合多个评价指标并选定VGG-16、Inception-V3、Res Net-50、Efficient Net-B4作为后续算法的基础模型;设计算法消融实验,证明模型优化策略的有效性和眼底血管结构的重要辅助作用,其中添加SE模块后二分类模型准确率从83.45%提升到90.31%,添加不同模型优化策略后FCML算法准确率分别提升1.11%和1.71%,而去除血管图像输入后算法准确率下降5.21%;设计算法对比实验,证明本算法已达到与ODIR竞赛一流模型相当水平,并在准确率、灵敏度等指标超过同类模型。