眼底图像可以反映一些病灶特征,这些病灶特征成为了眼科医生判断患者所患眼底疾病的重要依据。在眼底图像的采集过程中,患者眼球的不自主转动、光照的不均匀以及眼底相机的自主性抖动都有可能导致采集的眼底图像质量较差,难以分辨出病灶特征。本文致力于帮助医生准确地筛查与诊断眼底疾病,以及对患者的眼底图像进行精确的处理和实现眼部多疾病的自动诊断。研究内容主要包括:(1)提出了基于HSL色彩空间的Retinex-Net图像增强算法,用以解决眼底图像存在的光照不均匀、对比度低Baricitinib体外、模糊等问题,称为HSLex-Net。将RGB图像转换为HSL颜色空间,针对亮度分量,采用Retinex-Net算法消除光照变化的影响,提高图像亮度、对比度和细节。根据Retinex理论对低光照眼底图像的L通道光照分量与正常光眼底图像的L通道光照分量重建损失函数,同时利用交叉熵损失函数优化重建后的图像。在Diarebiopolymer aerogelstdb和LOL数据集上进行的验证表明灰度均值、全局均值、平均梯度分别达到了91.625、82.528、25.426。(2)采用基于独特性和紧凑性的联合显著特征提取方法提取病灶特征,提高深度残差网络对眼底图像的分类性能。由于异常病灶特征和周围正常组织存在较大的区别,因ABT-199此利用病灶特征的独特性和紧凑性特点,对病灶特征的轮廓进行了精确提取。随后将提取的病灶轮廓作为分类网络的约束条件与眼底图像一同作为分类网络模型训练时的输入,进而提高分类性能。(3)提出了基于改进Res Net模型的眼底图像多疾病分类方法。在增强图像基础上,融合病灶轮廓图作为Res Net的输入,采用了多分支结构对疾病种类进行分类。在Res Net的残差块内部、全局池化层之后、不同残差块之间使用注意力机制。采用平均融合方式,提高分类准确率。实验结果表明,Pool＿Attention模型的准确率为0.751,AUC为0.905,F1-score为0.904,Jaccard指数为0.685。M＿Res Net50模型和Pool＿Attention模型的融合提高了分类精度,模型融合的准确率为0.779,AUC为0.913,F1-score为0.905,Jaccard指数为0.702。本文提出的基于HSL色彩空间的Retinex-Net增强算法在清晰度和亮度的提升、噪声的抑制方面均优于其他比较方法。联合显著性特征提取方法提取的病灶特征辅助了分类网络识别病灶特征。改进Res Net的眼底图像多疾病分类方法在分类准确率、鲁棒性方面均占据了较大的优势,对临床医生的诊断具有一定的辅助作用。