ofI
terest，ROI）边界，对图像进行阈值转换分割，通过实验确定达到分割效果最好时的阈值，然后对图像进行两次形态学开运算，从背景和前景区域移除细小区域，得到最终的图像掩模，将原图与得到的掩膜图像相乘，得到背景无噪音的图像，而感兴趣区不变，最后对眼底图像的尺寸进行裁剪，以减少处理时间，在掩模图像边框上下左右各增加20个像素来进行修剪，得到最终的图像掩模和待处理图像（一方面缩减了图像的尺寸提高了算法的运行速度，另一方面也突出了感兴趣区域）。
提取血管特征后的眼底图像神经网络的训练及数据的验证和测试：对于网络的选择，我们现有的网络模型有
goole
et、image
et和alex
et三个网络（这三个网络分别适应于不同大小的数据集的分类），对于神经网络的训练，主要是参数的选择以及隐含层的设置（隐含层数目、传递参数及阈值的选择我们可以结合遗传算法，进行最优化选取，使实验效果尽可能的好）；根据原325幅彩色眼底图像，经筛选后合格的图像有300幅，训练集我们用150幅图像，验证集用50幅图像，测试集用100幅图像（每类眼底
f图像都包含）。对实验的效果的评估我们用相对准确率来衡量，即每一类都有TP（把P类正确分类为P类的高概率），FP（把其他类错误分到P类的概率），Accuracy（总体分类正确的概率），实验中对于正确率较低一直无法提高其准确率的类别可以将其单独的分离出来，对其他做完分类后再对其进行二分类实验，本次实验是在caffe框架下用其自身包含的几个模型来学习训练，由于神经网络的自适应学习特点，对特征明显的数据分类一般会达到比较好的效果。
31存在的问题
针对国内外眼底病研究的分析和预研的基础上，我们发现目前眼底图像辅助分析存在以下突出问题：
1、现有研究多基于一类特定病变进行，还未出现一种能够针对多类眼底病变的辅助诊断模型，在实际应用中自动诊断依然无法取得良好效果。2、现有研究往往基于一类眼底图像进行，缺乏不同图像之间的融合信息。不同类型的眼底图像，在辅助诊断效果上方面也存在着差异。例如，眼底荧光造影获得的黑白图像与彩色眼底图像对于不同病变特征的凸显作用存在很大的差别。3、眼底图像的质量与数量将在很大程度上影响实验的结果，除个别研究机构外，普遍采用的图像数量较少，有较大的提升空间。4、眼底病变中有些特征的干扰因素太强，目前还未找到较好的消除方法，导致识别效果不佳。比如：许多红色病变特别是出血与血管连通，导致难以到达完全删除它们；许r