一、项目介绍

糖尿病视网膜病变(简称“糖网病”)是糖尿病患者容易出现的眼部并发性疾病，也是全球性工作人群致盲的首要原因。根据相关资料，我们需要在早期确诊并进行医治才能避免对患者的视力造成影响。目前，糖网病的诊断方法众多，其中眼底照相检查因其直观性和便利性而备受青睐。眼底相机价格适中，使其成为糖尿病诊断的首选方式。目前，糖网病的诊断大多依赖于眼科医生的肉眼观察，因此诊断的准确性很大程度上取决于医生的经验和技能。随着时代的进步，未来或将出现更精确的诊断方法，但医生的专业判断仍不可或缺。然而，现在存在一个很大的问题，糖尿病患者数量急剧上升，医生的人工诊断难以应对庞大的病患群体的需求。并且，长时间的图像诊断，医生容易产生视觉疲劳，从而影响疾病判断的准确性。基于这个原因，如果我们能借助计算机强大的计算功能，利用人工智能算法对图像进行处理，来辅助医生完成大规模的糖网病图像分析与分类，这样，不仅可以节省大量的人力资源，更为广大糖尿病患者实施糖网病普查提供必备的基础条件。
基于这些基本情况，本文将基于深度学习技术，利用卷积神经网络，设计一个可以对糖尿病视网膜病变图像进行自动分类的神经网络系统。采用迁移学习的方法，选用ResNet分类模型，并对其进行训练，最后对其在糖尿病视网膜病变图像分类方面的效果进行评估。依据临床医学的标准，对糖网病视网膜图像按等级进行分类，针对糖尿病视网膜病变图像特点，提升分类模型对于糖网病视网膜图像的分类准确度，对输入的眼底照相机拍摄的糖尿病视网膜病变图像进行识别，构
建出能对糖网病图像进行分类的神经网络系统。

二、文档介绍

三、运行截图