论文部分内容阅读
超声图像中的白内障自动检测是提高诊断效率和性能必不可少的方法。尽管已有使用裂隙灯图像和视网膜图像等其他高质量图像来诊断白内障的方法,但存在设备部署昂贵且基层医疗机构只有超声设备等缺点。此外,处理小规模医学图像仍然具有挑战性。为解决上述问题,提出一种基于检测的深度学习模型。该模型不仅使用YOLOv3来检测焦点区域,而且还同时训练了分类模块,利用DenseNet-161提取的高级特征可以有效地区分白内障的不同程度,从而获得更准确的诊断。由于超声眼球图像没有公开可用数据集,因此我们制作了自己的数据集。我们