文献综述
一、系统开发的背景及意义正常眼底主要由视盘，黄斑区和视网膜血管等部分组成。
视盘是视网膜血管的汇聚区，由视神经纤维组成；黄斑区是视网膜图像中的暗红色原斑，是视力最敏锐的部分，在这里出现任何病变都可能导致严重的视力损伤。
早产儿视网膜病变是因其未血管化的视网膜发生纤维血管瘤增生、收缩，并进一步引起牵拉性视网膜脱离和失明，一般是通过医生对视网膜眼底图像进行观察来诊断是否发生病变。
由于视网膜图像经常受到光照变化,对比度不均,以及病变干扰等因素，传统定位算法存在以下问题：耗费时间长且精度较差;人工进行特征提取在很大程度上具有主观性和经验性，同时在模型调节时,也需要耗费大量的时间;黄斑区比起视盘，边界不清晰且没有较强的反光，因此传统算法对黄斑区的定位效果较差。
而深度学习算法克服了上述问题，通过让机器自主学习的方法，获取数据原始特征。
本项目主要通过搜集患者的视网膜图像，基于深度学习的方法，生成视盘和黄斑区的定位图像，作为医生诊断和病理分析的依据。
本项目旨在减轻医生判断压力，在图像质量较差比如存在大量病变或拍摄角度导致光线不均匀等情况下能够轻松定位到视盘及黄斑区。
同时，黄斑区和视盘的精确定位，也有助于医生对于早产儿视网膜病变（ROP）进行分区，从而对病情进行诊断。
二、课题设计技术工具：1. Labelme 是一个图形界面的图像标注软件。
剩余内容已隐藏，您需要先支付 10元 才能查看该篇文章全部内容！立即支付
以上是毕业论文文献综述，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。
