1. 项目背景与意义
糖尿病视网膜病变(Diabetic Retinopathy, DR)是全球工作年龄人群视力丧失的首要原因。根据流行病学研究,糖尿病病程超过10年的患者中50%会发生视网膜病变,病程25年以上的患者发病率高达90%。这种并发症的早期诊断对预防视力丧失至关重要——定期眼科检查可使60%的患者延迟或避免视力损害。
传统诊断依赖眼科专家手动检查眼底图像,效率低下且成本高昂。在医疗资源匮乏地区,这一问题尤为突出。以中国为例,约1.41亿糖尿病患者需要定期视网膜筛查,但专业眼科医生数量严重不足。这种供需矛盾催生了计算机辅助诊断系统的需求。
需要模型API调用? 免费领10W Token,多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 技术方案设计
2.1 整体架构
系统采用"深度学习模型+桌面应用"的架构:
- 后端:基于TensorFlow构建的InceptionV3分类模型
- 前端:PyQT开发的图形界面
- 工作流程:用户上传眼底图像→系统预处理→模型预测→可视化结果
2.2 关键技术选型
2.2.1 InceptionV3模型优势
- 多尺度特征提取:并行使用不同尺寸卷积核(1×1,3×3,5×5)
- 计算效率高:通过1×1卷积降维减少参数量
- 迁移学习友好:ImageNet预训练权重提供良好初始化
2.2.2 PyQT的适用性
- 跨平台支持:Windows/Linux/macOS兼容
- 医学图像处理友好:支持OpenCV集成
- 部署简便:可打包为独立可执行文件
3. 数据准备与处理
3.1 数据集概况
使用EyePACS公开数据集:
- 总量:35,126张眼底图像
- 分辨率:433×289至5184×3456像素
- 分类:0(健康)至4(增殖性)五级
3.2 数据问题与解决方案
| 问题类型 | 具体表现 | 解决方法 |
|---|---|---|
| 类别不平衡 | 健康样本占比73.5% | 欠采样+数据增强 |
| 质量缺陷 | 曝光异常/模糊 | 自适应直方图均衡化 |
| 尺寸差异 | 分辨率跨度大 | 中心裁剪+双线性插值 |
3.3 预处理流水线
- 颜色归一化:RGB转灰度+CLAHE增强
- 去噪处理:非局部均值去噪(σ=15)
- 尺寸统一:中心裁剪至
