1. 项目概述
糖尿病视网膜病变(Diabetic Retinopathy, DR)是糖尿病患者常见的并发症之一,也是导致成年人失明的主要原因。早期诊断和干预对于预防视力丧失至关重要。本项目基于深度学习技术,构建了一个自动化的糖尿病视网膜病变分级系统,能够根据眼底图像预测病变的严重程度(0-3级)。
作为一名计算机视觉方向的毕业生,我选择这个课题主要基于两点考虑:一是医疗影像分析具有明确的社会价值;二是深度学习在图像分类任务中已展现出卓越性能。整个项目从数据准备到模型部署耗时约3个月,最终在测试集上达到了82.3%的准确率。
医疗影像分析项目需要特别注意数据隐私和伦理问题。本项目使用的Messidor数据集已脱敏处理,且仅用于学术研究目的。
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. 数据处理与增强
2.1 数据集分析
原始数据集包含1000张眼底图像,按照国际临床分级标准标注为4个等级:
- 0级:无可见病变(258张)
- 1级:轻度非增殖性病变(242张)
- 2级:中度非增殖性病变(240张)
- 3级:重度病变(260张)
通过pandas-profiling生成的统计分析报告显示:
- 图像分辨率不一致(范围从1500×1500到3000×3000像素)
- 存在亮度、对比度差异
- 部分图像有伪影和噪点
2.2 数据增强策略
针对样本量不足和类别不平衡问题,采用分级增强方案:
python复制def augment_image(image, label):
if label == 1: # 1级病变
return [image,
image.transpose(Image.FLIP_LEFT_RIGHT),
image.transpose(Image.FLIP_TOP_BOTTOM)]
elif label == 2: # 2级病变
return [image,
image.transpose(Image.FLIP_TOP_BOTTOM)]
else: # 0级和3级保持原样
return [image]
增强后各类别样本量趋于平衡(约750张/类)
