针对光学相干层析视网膜图像进行人工分类诊断时存在漏检、效率低等问题,提出一种基于深度学习技术构建联合多层特征的卷积神经网络分类算法。首先通过均值漂移和数据归一化算法对视网膜图像进行预处理,并结合损失函数加权算法解决数据不平衡问题;其次使用轻量深度可分离卷积替代普通卷积层,降低模型参数量,采用全局平均池化替换全连接层,增加空间鲁棒性,并联合不同卷积层构建特征融合层,加强层间特征流通;最后使用SoftMax分类器进行图像分类。实验结果表明,该模型在准确率、精确率、召回率上分别达到97%、95%、97%,缩短了识别时长,所提方法在视网膜图像分类诊断中具有良好的性能。

利用光学相干层析成像(OCT)获得视网膜图像并对其进行分层，进而获得各视网膜层的厚度，在许多眼科疾病的临床诊断中具有重要作用。高散斑噪声、低图像对比度、存在血管等复杂结构等因素使得对视网膜的精确分层难以实现。提出了一种视网膜OCT图像的自动分层方法，利用三维块匹配和均值滤波去噪对图像进行预处理，分两步对视网膜图像分层，在每个A扫描上设置可变阈值进行逐层分割作为初步分层结果，然后对各层的初步分层结果进行连续性和完整性判断和修正。对健康和患病视网膜的OCT图像进行分层以验证提出方法的有效性。实验结果显示该方法能够精确地分出9层视网膜层，平均层边界位置偏差为(1.34±0.24) pixel。该方法能够适应噪声高、对比度低的图像，对存在血管等复杂结构的图像同样能够实现较好的分层。

relaynet_pytorch ReLayNet的PyTorch实施。 代码中仍然存在一些错误和问题，我们正在努力修复它们。 由Abhijit Guha Roy和Shayan Siddiqui（ ）编码 如果您出于任何学术目的使用此代码，请引用： A. Guha Roy，S。Conjeti，SPKKarri，D.Sheet，A.Katouzian，C.Wachinger和N.Navab，“ ReLayNet：使用完全卷积网络的黄斑光学相干层析成像的视网膜层和流体分割”，Biomed。 选择。 Express 8，3627-3642（2017）链接： ://arxiv.org/abs/1704.02161 享受！！ :)

眼底分类 使用视网膜血管分割图像集进行眼底图像分类

该数据集眼底图像配准数据集（也称为FIRE）由129个视网膜图像组成，形成134个图像对。这些图像对根据其特征分为3个不同的类别。图像是使用Nidek AFC-210眼底照相机采集的，该照相机可以在x和y方向上以2912x2912像素的分辨率和45°的FOV来获取图像。图像从位于塞萨洛尼基的塞萨洛尼基亚里斯多德大学亚里斯多德大学的Papageorgiou医院获得，来自39位患者。 Retina Fundus Image Registration_datasets.txt Retina Fundus Image Registration_datasets.zip

根据眼底图像对糖尿病视网膜病变（DR）进行分级已引起学术界和工业界越来越多的兴趣。大多数基于卷积神经网络（CNN）的算法通过图像级注释将DR分级视为一项分类任务。然而，这些算法并没有充分挖掘DR相关病变中有价值的信息。在本文中，我们提出了一个健壮的框架，该框架协同使用补丁级别和图像级别的注释，用于DR严重性分级。通过端到端的优化，该框架可以双向交换细粒度病变和图像级分级信息。 因此，它利用了更具辨别力的特征进行DR分级。该框架比最新的算法和三位拥有九年以上经验的临床眼科医生表现出更好的性能。通过对不同分布的数据集（如标签和相机）进行测试，我们证明了我们的算法在面对现实世界中普遍存在的图像质量和分布变化时是鲁棒的。我们通过广泛的消融研究来检查提议的框架，以表明每种动机的有效性和必要性。代码和一些有价值的注释现在可以公开获取。 指数项卷积神经网络，糖尿病视网膜病变，眼底图像，协作学习

多类图像分类器 将视网膜OCT图像分为4类之一-NORMAL，CNV，DME或DRUSEN 分析的目标和动机正如我们所知道的，人类的预期寿命空前高。 由于医疗用品，服务和技术的增加，人们的寿命比祖先长。 因此，由于与眼睛健康有关的退化作用主要随着年龄而增加，因此眼睛疾病增加。 伴随着这种情况，由于数字化，近来人类在屏幕前花费越来越多的时间，这进一步增加了眼睛黄斑变性的问题。 需要开发更有效，快速和简便的方法来检测眼部疾病。 该项目的动机是研究一种可以帮助眼科医生使用图像识别技术更准确，更快速地识别视网膜疾病的技术。 我们可以检测到最常见的眼部疾病，因为它们很常见，因此无需花费很多时间就可以检测出来。 该项目涉及的眼疾是 AMD（与年龄有关的肌肉变性）：这种疾病在老年人中很常见，并且是由于视网膜受损或组织死亡引起的。 在全球75岁以上的成年人中，约有35％患有AMD。 DR（非绝热性视网

Keras预训练模型 糖尿病视网膜病变检测

糖尿病性视网膜病变-手动筛查与算法 最近几个月我一直在参加。 有关快速介绍，请参见 。 根据糖尿病患者的眼睛图像，我们必须找到一种算法来对疾病的级别进行分级。 随着比赛的进行，我越来越相信自动筛选确实很有帮助。 计分系统是 。有趣的是，有几支得分为85或更高的球队。 根据有关Kappa的文献，85表示我们的算法非常好。 。 现在我们来讨论主要问题。 该算法必须匹配医生提供的标签。..但是，医生会犯错误..结果是，有时算法在进行正确的预测时有时会“缩编”。 这就是为什么我不愿将放在网上的原因。 这样做的想法是让人们对算法的预测和决策者给出的标签发表评论。 总而言之，我们可能会对自动筛选的实际使用有更好的了解。 也许github对此并不理想。 如果您有更好的平台，请随时拨叉，以获得更好的体验！ 行：医生给的标签列：按算法预测的标签 Pred 0 Pred 1 Pred 2 Pre

完整代码，可直接运行