糖尿病视网膜病变检测是利用医学图像处理技术检测眼底图像中是否存在病变,然后标注出病变的位置。通过使用深度学习技术,对糖尿病视网膜病变图像中硬渗出物进行智能化诊断和分析,为糖尿病的早期诊断提供依据,这能够降低医疗成本,分担医生的压力,并提高诊断的准确性。本文在分析国内外相关工作成果的基础上,分别实现了基于主成分分析网络和基于U-Net的硬渗出物检测方法,并在e-ophtha EX公共数据库上能够实现像素级精度的检测。本文的主要工作如下:1)实现了硬渗出物候选区域的提取方法。因为硬渗出物和视盘具有一定的相似性,所以需要先根据先验证知识对非眼底部分、主血管、视盘等位置进行排除。因此,先进行主血管提取,然后根据主血管的映射特点定位视盘,最后得到硬渗出物的候选区域。2)在获得了硬渗出物候选区域的基础上,实现了基于主成分分析网络的硬渗出物检测方法。本文将主成分分析网络从识别领域拓展到检测和分割领域,通过主成分分析将检测像素点及其邻域映射到该点检测值,实现硬渗出物检测。本文通过基于标记图的随机采样解决了图像中硬渗出物所占比例小带来的样本分布不均衡问题,还使用压缩感知改善了原主成分分析网络中存在的维数爆炸问题。同时,使用多尺度卷积核和多尺度特征更准确的描述特征,这使新的网络能够更好地完成检测任务。另外,基于硬渗出物候选区域采样,根据先验知识提高了检测的速度和精度,同时将该操作改设在输入层,从而避免重复卷积操作。3)在获得了硬渗出物候选区域的基础上,实现了基于U-Net的硬渗出物检测方法。针对样本数量有限的情况,将该网络用于学习硬渗出物图像块的特征,实现端到端的检测。本文通过基于标记的随机采样和选取合适的损失函数解决了图像中各类样本占比不均衡问题。然后,本文尝试使用多卷积结构进行结构化地提取多尺度的特征,便于加深加宽网络。另外,由于在卷积过程中为了对齐图像采用了邻近值来填充图像块边缘,这也导致了边缘处的分割容易造成误检测,所以拼接结果图中像素点取其预测值均值,从而提升了检测效果。实验表明,这些方法为检测硬渗出物提供了新的思路,其检测结果比传统方法更加准确,达到较高水平。