彩色眼底图像在糖尿病视网膜病变辅助诊断中的关键技术研究

Diabetic retinopathy (DR) traditionally suffers from a high incidence rate, has irreversible damage to vision, and has become one of the important causes of blindness. Our project targets at how to automatically analyze DR, making a significant contribution by introducing a DR information enhancement and automatic analysis framework based on color fundus images, including: (1)the study of retinal vessels segmentation in color fundus images, (2) the effective enhancement of DR in color fundus images, (3) the automatic analysis of DR in color fundus images. The research outcome includes the mining of the information of diabetic retinopathy, designing of the corresponding analysis model, realizing the enhancement and automatic classification of DR in color fundus image, and therefore providing a new method and evidence for the diagnosis of DR. This project will produce automatic analysis tools for large-scale screening of DR.

糖尿病视网膜病变发病率高，对视力损伤具有不可逆性，已经成为致盲的重要病因之一。本项目着眼于糖尿病视网膜病变自动分析研究，主要贡献是引入一套完善的，针对海量彩色眼底图像的糖尿病视网膜病变信息增强与自动分析框架，包含如下三个研究点：(1)彩色眼底图像中视网膜血管分割研究；(2) 彩色眼底图像中糖尿病视网膜病变信息的有效增强；(3) 彩色眼底图像中糖尿病视网膜病变的自动分析。通过本项目的研究挖掘彩色眼底图像中蕴含的糖尿病视网膜病变信息，建立相应的分析模型，完成彩色眼底图像中糖尿病视网膜病变信息的有效增强和自动分析，为眼科糖尿病视网膜病变诊断提供新方法和依据，并可望为眼科大规模糖尿病视网膜病变筛查提供自动化分析工具。

本项目围绕着糖尿病视网膜病变自动分析，研究了（1）彩色眼底图像中视网膜血管分割，建立了基于 U-Net 的分层循环卷积网络（HR-Net），将DRIVE、CHASE_DB1和STARE彩色眼底数据集中血管分割精度分别提升至96.21%、97.02%和97.15%；（2）彩色眼底图像的有效增强，建立了基于分叉点和SURF算法的图像配准模型、基于卷积神经网络的图像配准模型、基于多尺度融合的图像去模糊网络模型、基于多尺度和残差学习的图像去噪网络模型等，为彩色眼底图像预处理提供了工具支撑；（3）彩色眼底图像中糖尿病视网膜病变自动分析，设计出基于卷积神经网络的检测、分类模型，实现了彩色眼底图像中微动脉瘤、出血点、病变等级等的检测或分类，为糖尿病视网膜病变辅助诊断提供了技术支撑。