该项目具备论文和软著支持，在西安市第九医院应用。技术核心;使用PyTorsh深度学习框架#于EcienNet 构建了眼底病变非增生型病变分期(国际分期分为五个不同严重程度,0期为无明息病变4期为严重病变)模型接近国际先进水平。

基于FasterRCNN两阶段检测网络基本架构使用新的训练方式对低分辨率的图片进行超分以及改进的特征金字塔结构构建了最终的模型。我们提出的检测模型在没有使用预先分割minpatches进行训练 CNN网络的情况下,在 E_ophtha_MA 数据集上在 (False Positives per Image)FPIL>6 时sensitivity 大于 0.8,超过了目前已知的算法和医生的表现。

• 专利名称：无
• 专利类型：发明专利
• 专利权人：无
• 专利号：无
• 有效期限：无

该项目采用Lanczos插值方法进行图像超分辨、卷积神经网络进特征提取并采用优化的训练方法和模型结构等可解决以下问题:

在DR分期算法中。结合临床知识(例如MA的数量会与分期数字成正相关等)将5分类问题

转换成回归问题。从而更好的预测了分期结果。在DR分期算法中。使用多个不同深度，宽度的网络进行特征提取将各个模型做bagging操作加权求和得到最终预测结果。更好的预测了分期结果，在Kaggle2019年DR分期的数据上得到quadratic weighted kappa(QWK)为0.92 左右。

在MA检测算法中。通过Lanczos超分辨算法,保留微血管瘤的边界信息并扩大检测目标的大小,更能够在深层的卷积神经网络中保留足够的信息从而达到较好的检测效果。

在 MA 检测算法中。通过针对 MA检测而改进的多尺度特征融合结构提高了检测效果。

MA检测算法大幅提高MA病灶检测准确率。E_ophtha_MA数据集上在(False Positives perImage)FPI>6 时 sensitivity 大于 0.8，超过了目前已知的算法和医生的表现。