无法检测类）、正常视网膜图片等，由于其中一些数据的质量问题（图片模糊，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。
f下面是根据已有数据分出的六类图片中的一部分：
视网膜分支静脉阻塞类
黄斑病变类
微血脉瘤类（糖尿病视网膜病变）
正常眼底图像
中浆类
视网膜出血类
f部分技术细节如下图所示：
图像的获取眼
底
图像的筛选
图
像
数据预处理
预
处
理
掩模
均衡化
处理
处理
质量不达标的图像筛除
增强图像质量，裁剪图像尺寸，对强度进行均
衡化处理
神经网络的预训练
神
经
对数据
生成日
网
加标签
志文件
络
的
网络参数的选择
训
练
隐含层阈值及传
数目
递参数
对每类图像添加04的标签，并生成相应的计算机可识别的日志文
件
根据数据集的大小设置隐含层的数目，并不断地修改参数，可用遗
传算法解决
实验可能遇到的瓶颈
某一类整体准
实
准确率确率都
验
太低
很低
分
析
数据不
数据过
均衡化
拟合
实验结果的评判标准
将准确率低的某一类单独取出来做二分类，对整体准确率低的重
新进行特征提取
这些问题都是由于数据量过少引起的，可以通过对二维图像进行三维重建生成我们需
要的数据
数据预处理及实验设备的准备：目前我们的设备主要是用于深度学习的带有GPU的计算机（包含了用于深度学习的caffe框架）。图像的预处理阶段是采用数字图像处理技术，以使图像中的特征显示更突出，减小图像的大小从而提高算法的运行速度。
f以图像掩模处理为例。掩模是由0和1组成的一个二进制图像，当在某一功能中应用掩模时，1值区域被处理，被屏蔽的0值区域不被包括在计算中。通过指定的数据值、数据范围、有限或无限值、感兴趣区和注释文件来定义图像掩模，也可以应用上述选项的任意组合作为输入来建立掩模。具体步骤：首先提取感兴趣区用预先制作的感兴趣区掩模与待处理图像相乘得到感兴趣区图像感兴趣区内图像值保持不变而区外图像值都为0（提取感兴趣区）；然后用掩模对图像上某些区域作屏蔽使其不参加处理或不参加处理参数的计算或仅对屏蔽区作处理或统计（屏蔽作用）；再用相似性变量或图像匹配方法检测和提取图像中与掩模相似的结构特征（结构特征提取）；最后用选定的图像、图形或物体对待处理的图像全部或局部进行遮挡来控制图像处理的区域或处理过程（目标图形的制作）。其中用于覆盖的特定图像或物体称为掩模或模板。实验中我们首先用图像掩模缩小眼底图像感兴趣区（Regior