摘要：贫血是全球范围内患病人数最多的血液系统疾病之一，长期贫血会导致组织缺氧、免疫功能下降、认知发育迟缓以及心血管负担加重，对婴幼儿、育龄期女性和老年人群的危害尤为突出。目前临床上确诊贫血依赖静脉采血后的血红蛋白浓度测定，该方法虽然准确，但属于有创操作，需要专业设备、专业人员和一定的检测周期，在基层医疗机构、边远地区以及大规模人群筛查场景中难以普及。因此，研究低成本、无创、可快速部署的贫血筛查方法具有重要的现实意义。
内容简介
医学上早已确认睑结膜的颜色与血红蛋白浓度之间存在显著相关性，视诊睑结膜苍白是临床医生判断贫血的经典体征之一。然而人眼判读受光照条件、个体经验和主观偏好影响较大，重复性差。本文将这一临床经验转化为可计算的图像分类问题，围绕”结膜图像—贫血/非贫血”二分类任务，构建了一套完整的数据处理、模型训练与应用部署方案。
本文的主要工作包括四个方面。第一，构建了一个包含218张睑结膜图像的小规模数据集，按照8∶1∶1的比例划分为训练集175张、验证集21张和测试集22张，并设计了裁剪、颜色归一化、去噪与尺寸统一的预处理流水线。第二，针对样本规模有限和类别不平衡的问题，采用以MobileNetV2为主干的迁移学习方案，冻结部分底层特征提取层并重新设计分类头，同时引入取值为[2.0, 1.0]的类别权重对交叉熵损失进行加权，使模型更加关注贫血这一少数且代价更高的类别。第三，设计了包含Adam优化器、StepLR学习率调度与早停机制在内的训练策略，在NVIDIA GeForce RTX 3070 Ti Laptop GPU上完成训练，共运行22个轮次后由早停机制终止，总耗时约19.02分钟。第四，基于PyTorch与PyQt5开发了图形化检测系统，实现模型加载、图像导入、推理计算与结果可视化的完整闭环。
实验结果表明，模型取得了95.24%的最佳验证准确率和81.82%的测试集准确率。在测试集上，贫血类的精确率与召回率均为77.78%，非贫血类的精确率与召回率均为84.62%，宏平均F1分数为0.8120。混淆矩阵显示两类各有2例误判，模型未表现出明显的类别偏倚，说明类别权重策略有效抑制了小样本条件下常见的多数类偏向。本文进一步分析了验证曲线剧烈震荡、验证准确率高于测试准确率等现象背后的统计学原因，指出在21张验证图像的规模下单张样本即对应约4.76个百分点的准确率波动，因此上述指标应被理解为具有较宽置信区间的初步结论而非稳定的性能估计。
文档概述
文档信息
版本：初稿
页数：56页
字数：32807个字
格式：word（可编辑）
图表：8张图、11张表、25个公式
文档目录
目 录
摘 要 I
Abstract III
目 录 V
第一章 绪 论 1
1.1 研究背景与意义 1
1.1.1 贫血的流行病学现状与危害 1
1.1.2 传统贫血检测方法的局限性 1
1.1.3 结膜检查在贫血诊断中的应用价值 2
1.1.4 深度学习在医学影像分析中的优势 2
1.2 国内外研究现状 3
1.2.1 基于结膜的贫血检测研究进展 3
1.2.2 深度学习在医学图像分类中的应用 4
1.2.3 现有方法的优缺点分析 4
1.3 研究内容与目标 5
1.4 论文组织结构 5
第二章 相关理论与技术基础 7
2.1 贫血医学基础 7
2.1.1 贫血的定义与分类 7
2.1.2 结膜检查的医学原理 7
2.1.3 结膜颜色与血红蛋白水平的关系 8
2.2 深度学习基础理论 8
2.2.1 卷积神经网络原理 8
2.2.2 图像分类任务基础 9
2.2.3 模型训练与优化方法 10
2.3 常用深度学习模型 11
2.3.1 经典卷积网络结构 11
2.3.2 YOLO系列模型介绍 12
2.3.3 迁移学习原理 12
2.4 模型评估指标 13
2.4.1 基于混淆矩阵的基本指标 13
2.4.2 ROC曲线与AUC值 14
第三章 数据集构建与预处理 15
3.1 数据采集 15
3.1.1 数据来源与采集设备 15
3.1.2 图像采集标准与流程 15
3.1.3 医学标注与审核机制 15
3.2 数据集统计分析 16
3.2.1 数据集规模与划分 16
3.2.2 类别分布情况 16
3.2.3 数据集的代表性分析 17
3.3 数据预处理 17
3.3.1 图像预处理流水线 17
3.3.2 数据增强技术 18
3.3.3 类别不平衡处理策略 19
3.4 数据集划分策略 19
3.4.1 划分原则 19
3.4.2 数据划分对模型性能的影响 20
第四章 贫血检测模型设计与实现 21
4.1 系统总体架构设计 21
4.1.1 分层架构 21
4.1.2 程序流程 22
4.2 模型架构设计 23
4.2.1 基础网络选择 23
4.2.2 网络结构与改进 24
4.2.3 GPU加速实现 24
4.3 训练策略设计 25
4.3.1 损失函数 25
4.3.2 优化器配置 25
4.3.3 正则化技术 25
4.3.4 早停机制 26
4.4 模型实现细节 26
4.4.1 开发环境与框架 26
4.4.2 代码结构与模块划分 26
4.4.3 模型保存与加载机制 27
第五章 实验结果与分析 28
5.1 实验设置 28
5.1.1 硬件与软件环境 28
5.1.2 超参数设置 28
5.1.3 实验对比方案 29
5.2 训练过程分析 29
5.2.1 损失函数收敛分析 29
5.2.2 准确率变化趋势 30
5.2.3 过拟合与欠拟合分析 31
5.3 模型性能评估 31
5.3.1 总体性能指标 31
5.3.2 混淆矩阵分析 31
5.3.3 性能指标的统计显著性讨论 33
5.4 结果讨论 33
5.4.1 模型优势与不足 33
5.4.2 误分类样本分析 33
5.4.3 与其他方法的对比 34
5.4.4 临床应用可行性分析 35
5.5 系统实现与运行效果 35
第六章 总结与展望 39
6.1 研究工作总结 39
6.1.1 主要研究内容回顾 39
6.1.2 实验结论 39
6.1.3 创新点总结 39
6.2 研究贡献 40
6.3 研究局限性 40
6.4 未来工作展望 41
6.4.1 扩大数据集规模与多样性 41
6.4.2 模型优化方向 41
6.4.3 多模态融合 41
6.4.4 贫血严重程度分级 42
6.4.5 移动端部署与临床验证 42
参考文献 43
附 录 45
附录A 数据集样本示例 45
附录B 模型详细参数配置 45
附录C 关键代码实现说明 45
致 谢 47
配套项目
作者联系
作者信息
原创作者：bob（可提供二次开发有偿修改服务）
项目编号：AI-31-Doc
原创声明：本项目为原创作品
联系方式
开源协议
本项目采用AGPL-3.0开源协议，允许个人和组织自由使用、修改和分发代码，但基于本项目的衍生作品必须同样开源，且用于提供网络服务时需向用户提供完整源代码。本项目仅供学习研究使用，作者不对使用本项目产生的任何后果承担责任，使用者应遵守当地法律法规，合理合法使用本项目。如本项目对您的研究或工作有所帮助，欢迎引用并注明出处。
评论(0)