构，并从候选分割区域中提取一组特征，用FDA类器对候选地区进行培训和分类，最终去除血管和中心凹获得检测结果深度学习算法，正在进行中
预处理阶段用到使用伽马矫正进行绿色成分提取和底帽过滤的方法，通过应用高斯匹配滤波器来提取血管，然后使用某个阈值使其分段，最后用TEMPLAR算法进行分类
数据集是由DiaretDB1数据库（标准糖尿病视网膜病变数据库校准级别1，版本1）提供的89幅RGB彩色眼底图像，固定的分辨率为1500×1152摩菲眼科医院NHS信托基金过去数年收集的逾100万张眼睛扫描图9个含有微脉瘤的图像的学习过程
3、现有研究基础及展望
目前，针对眼底图像分析问题，我们进行了部分预研工作，方案由以下几部分组成：
f数据的获取
数据集的获取：由北京某医院提供的经相关专家鉴定后的眼底图片（共325幅分辨率为1536x1590的图片）；
数据集的分类：图像的类型主要有黄斑病变类图片、糖尿病视网膜出血图片（微血管瘤）、需要临床检测的图片（无法检测类）、正常视网膜图片，由于其中一些数据的质量问题（图片模糊使具体的病变特征显示不出来），给识别图片中的特征造成了麻烦；
数据预处理
图像增强处理：用图像掩模的方法缩小眼底图像的感兴趣区边界，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，得到最终的掩模图像后，将原图与得到的掩膜图像相乘，得到背景无噪音的图像，而且感兴趣区不变；
去除边缘化：在傅里叶变换下，分解和重构图像，去除边缘化效果的影响；
神经网络的训练和实验结果
评估
选择合适的网络模型及相应的较优参数：我们现有的深度学习网络模型有goole
et、image
et和alex
et三种网络模型，分别对不同的网络模型进行测试（选择不同的隐含层数目，及相应的传递参数，选择最优训练结果进行比较），从中选取最优
实验结果的评估：利用神经网络自适应的特点训练、学习、分类数据，把数据输入到caffe框架内，不断的修改参数，评判每一类分类为正确的概率和错误分类的概率，并计算总的正确率；
机器智能眼底机器智能眼底病辅助诊断系统的设计：病辅助诊断的眼底病害的病程发展预测：
实现
数据的来源：我们现有的数据是由北京某医院及该院相关医生提供的带有标记的眼底图像（共325幅分辨率为1536x1590的图片），图像的类型主要有黄斑病变类图片、糖尿病视网膜出血图片（微血管瘤）、需要临床检测的图片（r