1. 研究目的与意义
（一）课题研究的现状及发展趋势
近年来，随着医学成像技术的广泛应用与深度学习在图像识别中的突出表现[1]，通过一定的计算机技术为疾病的诊断提供可靠的依据，已经成为现代医疗技术的发展趋势。深度学习利用医学影像数据已经可以实现糖尿病视网膜病变（Diabeticretinopathy,DR）诊断、皮肤癌识别、乳腺病变诊断、脑部疾病预测和肺癌诊断等[2][3]。
DR是糖尿病的重要并发症之一[4]，已成为全球工作人群失明人数攀升的主要原因，并且会随着病程的延长而快速增加[5]。视网膜眼底图像携带着对人体糖尿病诊断有重要作用的病理信息，眼底阅片在大多数情况下受制于医生经验，阅片效率，对于长期需要进行眼底影像检查的糖尿病患者，深度学习的优势显露出来[6][7]。美国德克萨斯大学研究者将迁移学习算法用于光学相干断层扫描（Optical Coherence tomography, OCT）影像诊断，达到较高诊断精度；广州中山大学中山眼科中心眼科学国家重点实验室联合多家研究机构共同研发了基于中国人群彩色眼底影像DR检测的深度学习算法，并且该算法也在其他种族人群中进行验证，取得了较高的精确度；谷歌公司的DeepMind团队提出了一种两阶段深度神经网络模型用于OCT影像诊断，分别实现了病灶区域分割和病变等级分类，也有着较高的准确率[8]。对于眼底病变，各项研究与应用表明基于深度学习的眼底图像评估在临床决策支系统和筛查项目的自动化中具有重要的应用价值[9]。
2. 研究内容和问题
（一）基本内容
1.基于inception V4的DR的DL模型的训练与测试，并基于DL的眼底常见病变的训练与RESTFUL API封装。
3. 设计方案和技术路线
（一）研究方法
1.首先了解DL构建模型和标准化眼底报告的相关知识，发现inception V4模型运行速度、性能、设备要求适合本次模型构建，bluelight是一种基于浏览器的医学图像查看器适合进行标准化报告的二次开发。
（二）技术路线
4. 研究的条件和基础
1.具有医学背景知识，学习过医学基础课程，对DICOM分析技术有一定的了解。
2.具备使用计算机的技能和一定的编程能力。了解深度学习的训练过程，能够利用相关软件进行二次开发。
3.阅读一定量的文献。
以上是毕业论文开题报告，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
