摘要：光学相干断层扫描血管成像（optical coherence tomography angiography，OCTA）为眼底微血管观察提供了非侵入式影像依据，但图像中的低对比度结构、运动伪影和投影伪影会增加自动识别的难度。针对小规模图像资料中新生血管阳性与阴性样本不均衡、人工分析结果整理繁琐等问题，本文研究基于深度学习的图像级新生血管自动检测方法，并结合可视化软件形成从图像导入到报告生成的辅助分析流程。
内容简介
本文采用ImageNet预训练的ResNet50作为特征提取骨干，将400×640像素输入调整为224×224像素，经全局平均池化得到2048维特征，采用2048→512→2的两层全连接分类器输出类别分数，并使用两级Dropout抑制过拟合。训练方案包括类别加权交叉熵、Adam优化、余弦退火学习率和早停策略。系统采用PyQt5实现模型加载、单张及批量图像导入、原图预览、类别与置信度展示及报告导出。本文以提供的训练历史、五折交叉验证结果和系统截图为依据开展分析，并对样本统计与实验口径进行核查。
单次训练在第11轮获得最佳验证结果，准确率为76.47%，敏感度为56.67%，特异度为87.27%，AUC为0.8594。五折结果文件记载准确率为96.93%±2.14%、敏感度为94.07%±5.25%、特异度为98.67%±1.25%、AUC为0.9812±0.0183；按混淆矩阵汇总可核算488条评估记录，与素材说明中的544张总样本、488张开发集和56张测试集的关系相容，其类别计数也与开发集说明一致。由于缺少患者分组、逐样本预测和独立测试记录，上述结果应解释为现有材料支持的内部评估，不能据此确认跨患者或跨中心泛化能力。研究完成了分类模型方案与辅助分析系统的论证，明确了数据追溯、分组验证和外部测试的后续改进路径。
文档概述
文档信息
版本：初稿
页数：51页
字数：19690个字
格式：word（可编辑）
图表：18张图、18张表、23个公式
文档目录
摘要 I
Abstract II
第1章 绪论 1
1.1 研究背景与意义 1
1.1.1 眼底血管影像与自动分析需求 1
1.1.2 研究的技术价值与工程价值 1
1.2 国内外研究现状 2
1.2.1 OCTA新生血管自动分析研究 2
1.2.2 深度学习与迁移学习研究 2
1.2.3 现有研究对本课题的启示 3
1.3 研究内容与技术路线 3
1.4 论文组织结构 3
第2章 相关理论与关键技术 4
2.1 OCTA成像与图像质量 4
2.1.1 血流对比与成像层面 4
2.1.2 伪影与数据偏移 4
2.2 卷积神经网络基础 5
2.2.1 卷积运算与局部特征 5
2.2.2 批归一化与全局平均池化 6
2.3 残差学习与迁移学习 6
2.3.1 残差连接的作用 6
2.3.2 迁移学习的实施条件 7
2.4 二分类输出与评价理论 7
第3章 系统需求分析 8
3.1 任务定义与使用边界 8
3.2 功能需求 8
3.2.1 模型与图像管理 8
3.2.2 检测与报告需求 8
3.3 非功能需求 9
3.4 数据约束与可行性 10
第4章 系统总体设计 11
4.1 分层架构设计 11
4.2 检测流程与状态控制 12
4.2.1 图像推理主流程 12
4.2.2 模型训练流程 15
4.3 任务状态与结果结构 17
4.4 报告与可扩展性设计 18
第5章 深度卷积神经网络模型设计 19
5.1 数据组成与预处理 19
5.1.1 数据划分与类别分布 19
5.1.2 尺寸通道与归一化 19
5.2 ResNet50骨干与自定义分类器 20
5.2.1 网络维度与特征提取 20
5.2.2 分类头与正则化 21
5.3 类别加权与参数优化 22
5.3.1 加权交叉熵 22
5.3.2 Adam与余弦学习率 22
5.4 模型选择与解释性扩展 24
第6章 系统实现 25
6.1 开发环境与模块组织 25
6.2 主界面与模型加载 25
6.3 单张与批量图像处理 27
6.3.1 阳性与阴性结果展示 27
6.3.2 批量调度与线程通信 28
6.4 报告生成与异常处理 28
6.5 功能验证的证据范围 30
第7章 实验与结果分析 31
7.1 实验材料与评价方法 31
7.1.1 实验资料及证据来源 31
7.1.2 指标定义 31
7.2 单次训练结果 33
7.2.1 损失与准确率变化 33
7.2.2 敏感度特异度与最佳模型 34
7.3 五折交叉验证结果 36
7.3.1 各折计数与指标复核 36
7.3.2 均值离散度与合并结果 38
7.4 单次验证与五折结果差异 40
7.5 错误分析与研究局限 41
第8章 总结与展望 42
8.1 研究工作总结 42
8.2 后续研究方向 42
参考文献 43
致谢 45
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-81-P
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(1)