当下医疗行业存在巨量的影像数据,它们对疾病诊断与疗效评价具有重要研究意义。本文将糖尿病患者的视网膜眼底图作为数据集,进行深度学习算法的应用研究。在算法上对于糖尿病视网膜病变辅助检测给予理论依据和改进建议。卷积神经网络属于深度学习中处理图像的核心算法,其基本构建层次包括卷积、池化和全连接。至今,卷积神经网络的研究在多个领域已经取得很大进步。但是也有几点待完全解决的问题。其中一点是通过研究表明一些数据集(包括视网膜眼底图)的不同类别数量占比差异大、不均衡,导致数量占比小的类别训练效果差的问题。二是糖尿病视网膜病变检测对准确率要求高,而且规模比较大、模型参数多。传统的深层模型在训练的时候通过反向传播算法从后层传到前层的梯度会变的几乎为零,造成梯度消失。三是对于巨量数据集,传统的训练方式难以适应。为了尽可能解决此类问题本文主要做了以下工作:1.为了提高模型的泛化能力以及更好的训练类别不均衡的数据集,提出了一种自适应的重采样方法,并且设计了一种层次模型提高了模型训练效率。层次模型包括卷积层数目分别为8、11、13层的AlexNet和VGGNet的改进模型。实验表明通过自适应重采样方法对数据集进行动态平衡以及对模型的优化和改进,模型分类评价指标Kappa系数、分类准确度以及收敛速度都有很大提高,其中Kappa系数(模型一致性检验指标)达到0.80。2.为了提高糖尿病视网膜病变的检测能力,提出了一种基于二维图像的均方特征融合优化算法。设计了一种基于残差网络(Residual Network)的全卷积网络结构,相比全连接层能减少参数,而且在尽量避免梯度消失的情况下构建更深的层次。本文对模型最后的卷积层进行特征提取,然后分别对特征图进行批量二次方叠加融合,最后取其均值作为二次检测的输入数据。通过在Kaggle大数据平台上提供的糖尿病视网膜眼底数据集进行训练与测试,Kappa系数在之前的基础上再次提高了四个百分点,分类准确度提高五个百分点。3.为了解决大数据下的深度学习问题,基于大数据计算框架实现了分布式的深度学习训练系统,能够在多台CPU或者GPU的训练节点并行训练。最后以糖尿病视网膜眼底图为基础进行并行训练与实验对比分析,结果表明在保证分类正确率的情况下训练速度得到有效提高。