【摘 要】针对视网膜疾病种类繁多、病灶位置不固定等特点，提出一种基于深度卷积集成网络的视网膜多种疾病筛查和识别方法。首先，根据视网膜眼底图像裁剪掉两侧黑色边框，并去除图像中的噪声，以降低对眼底图像的干扰，提高图像的清晰度；之后，通过对处理完成的视网膜眼底图像使用裁剪、旋转等数据增强方法来扩增数据集；再建立基于深度卷积神经网络的模型进行特征提取，并在网络模型微调后完成视网膜疾病筛查和识别任务，最终将多个模型的结果进行集成。实验结果表明，该方法针对视网膜疾病的筛查和识别的问题取得了较好的效果，视网膜疾病筛查的准确率达到96.05%，视网膜疾病识别的准确率达到72.55%。关键技术在实际应用中的落脚点；最后对智能导诊机器人的发展趋势做出展望。
【关键词】视网膜眼底图像 ; 疾病筛查 ; 疾病识别 ; 深度卷积网络 ; 集成模型
1.引言
视网膜疾病发病率高，且相关疾病种类繁多。据世界卫生组织报告，世界视力障碍者总数达22 亿人，其中至少10亿个病例可以预防或有待解决[1]。眼部疾病的早期发现和治疗可以很好地预防视力问题带来的障碍。目前，人工智能技术在视网膜疾病中最常见的应用是通过彩色眼底数码照相机采集患者眼底图像[2]，将眼部生理结构、病灶特征和颜色变化以清晰的图像展现出来，医生可以利用这种非侵入式的方法对视网膜疾病做出诊断。然而，由于病患众多，仅依靠人工进行眼部疾病的筛查和诊断会给医生带来极大的工作压力，提高误诊率。因此，计算机视觉技术的发展为眼科医生利用计算机辅助诊断带来了可能。考虑到病人的差异性，眼科医生对患者进行初步诊断的阶段面临诸多困难：
● 视网膜疾病种类繁多，需要医生具备丰富的诊断