基于ResNet50-OC模型的彩色眼底照片质量多分类方法效果评估

目的对基于深度学习的ResNet50-OC模型彩色眼底照片质量多分类的效果进行评估。方法纳入2018年7月在南京医科大学附属明基医院收集的彩色眼底照片PD数据集及EyePACS数据集,临床医师根据眼底图像的成像质量将其大致分为质量较好、曝光不足、曝光过度、边缘模糊和镜头反光5类。在训练集中,每个类别包含1000张图像,其中800张选自EyePACS数据集,200张选自PD数据集;在测试集中,每个类别包含500张图像,其中400张选自EyePACS数据集,100张选自PD数据集。训练集总计5000张图像,测试集总计2500张图像。对图像进行归一化处理和数据扩增。采用迁移学习方法初始化网络模型的参数,在此基础上对比当前深度学习主流分类网络VGG、Inception-resnet-v2、ResNet和DenseNet,选取准确率和Micro F1值最优的网络ResNet50作为分类模型的主网络。在ResNet50训练过程中引入One-Cycle策略加快模型收敛速度,得到最优模型ResNet50-OC并将其应用于眼底照片质量多分类,评估ResNet50与ResNet50-OC对眼底照片进行多分类的准确率和Micro F1值。结果ResNet50对彩色眼底照片质量多分类准确率和Micro F1值明显高于VGG、Inception-resnet-v2、ResNet34和DenseNet。ResNet50-OC模型训练15轮对眼底图像质量多分类准确率为98.77%,高于ResNet50训练50轮的98.76%;ResNet50-OC模型训练15轮对眼底图像质量多分类的Micro F1值为98.78%,与ResNet50训练50轮的Micro F1值相同。结论ResNet50-OC模型可以准确、有效地对彩色眼底照片质量进行多分类,One-Cycle策略可减少训练次数,提高分类效率。

724人(1424只眼)彩色眼底照片分析

随着社会入口老龄化,心血管疾病患病率剧增,要求进行眼底检查越来越多和重要,有时已成为老年人体检的常规内容之一。我院于1992年3～7月对上海港务局离退休干部、现职处级以上干部和船检上海分局知识分子体检时进行丁彩色眼底照相检查,现将眼底照片分析报告如下。

《视网膜脱离诊断与鉴别诊断图谱》一书出版

首都医科大学北京同仁眼科中心编辑的系列眼科图谱之-《视网膜脱离诊断与鉴别诊断图谱》已由北京科学技术出版社出版发行，主编为魏文斌教授。本书是对近20年临床积累的数千张与视网膜脱离诊断和鉴别诊断有关的彩色眼底照片和相誊影像资料进行整理和编辑而成，1000多幅图片采用彩色铜版纸印刷。

《视网膜脱离诊断与鉴别诊断图谱》一书出版

首都医科大学附属北京同仁医院眼科编辑的系列眼科图谱之一《视网膜脱离诊断与鉴别诊断图谱》已由北京科学技术出版社出版发行，主编为魏文斌教授。本书是作者对近20年临床积累的数千张与视网膜脱离诊断和鉴别诊断有关的彩色眼底照片及相关影像资料进行整理和编辑而成，1000多幅图片采用彩色铜版纸印刷。良好的影像图谱胜过精深的文字描述，对于眼科医师，