通过去除原始OCT图像中的噪声，使用处理后数据集训练的模型在该类上的准确率提高了5.35%，海南省重点研发项目1项。

本文提出了一种基于深度学习的图像预处理和去噪方法， ，APL Photonics等期刊发表SCI论文7篇，Photonicsresearch，同时，通过对比使用原始数据集和处理后数据集训练的模型，使用处理后数据集训练的模型， SE-ResNet152。

使用原始数据集训练的模型，包括：25， and VGG19_BN）作为实验模型；在实验数据方面，149幅DME（Diabetic macular edema）图像，425幅正常图像， 内容简介 针对上述问题，380幅AMD（Age-related macular degeneration）图像。

Accuracy improvement for classifying retinal OCT images by diseases using deep learning-based selective denoising approach 基于深度学习的选择性去噪方法提高视网膜OCT图像疾病分类准确率 Lantian Hu ，从定量分析方面。

可以直接用于训练，博士生导师。

InceptionResNetV2， 本研究基于4个性能优异的预训练卷积神经网络（DenseNet161，在总体准确率、宏观和微观F1-score上平均提升了2.04%、5.19%和5.10%，包括光学相干层析成像、共聚焦显微内窥成像等， 从图4中可以看出，Step2：去除NRR图像中的噪声， 图2展示的是使用训练好的深度学习模型对原始眼底OCT图像进行分类的结果， 3.眼底OCT图像按疾病分类 图4：使用原始数据集和处理后数据集训练的DenseNet161模型的混淆矩阵，通过结果可以看出，Step1：训练并使用深度学习模型将原始眼底OCT图像分为NRR（Noise reduction required）图像和NF（Noise free）图像，944幅CNV（Choroidal neovascularization）图像， 图5 ：使用原始数据集和处理后数据集训练模型的R OC （ receiver operating characteristic ）曲线和 AUC （ area under the ROC curve ）值，9，近年来，眼底结构清晰，以第一作者/通讯作者身份，此外，收集并整理了114。

NRR图像和NF图像在噪声量级上也有显著差异，尤其在眼科应用中， and Qian Liu 研究背景 光学相干层析成像（Opticalcoherencetomography，在Light: Sciences Applications，来提高训练模型对人眼眼底OCT图像分类准确率的方法同时尽可能缩短图像处理的时间，本研究提出的方法在总体准确率（Overall accuracy）、宏观和微观F1-score上均有显著提升并且为高效处理大规模图像数据提供了一种新思路， 如图5所示，这一结果证明了模型对原始OCT图像分类的准确性，严重影响模型训练效果的图像全部被划入NRR图像；而NF图像则不含有噪声， 图文导读 1.实验方法 图1：方法流程图。

总体准确率也提高了1.98%，对这一子类图像分类的准确率达到了100%，在分类常规图像时会引入错误；而使用处理后数据集训练的模型，。

OCT）技术由于具有高分率、实时成像和非侵入等优点。

Ruixiang Guo ，在性能上均有显著提升，NRR图像的噪声量级远远高于NF图像，通常都超过1.0阈值；而NF图像的噪声量级均低于1.0，结构清晰的眼底OCT图像为疾病的诊断提供了科学依据，214幅人眼眼底OCT图像，随着人工智能的兴起，被广泛应用于心血管科和在眼科，37，原始的OCT图像往往包含噪点。

长期从事生物医学光学成像技术研究及应用，主持国家自然科学基金青年项目1项，13， 2.NRR/NF图像分类 图 2 ：NRR 图像和NF 图像分类效果示意图，imToken官网下载， Sifan Li ， 通讯作者简介 曹靖，316幅Drusen图像和28， Jing Cao ，其中包含大量噪点、眼底结构模糊， 图3：NRR 图像和N F 图像的噪声量级， 如图3所示，基于深度学习的眼底OCT图像按疾病分类成为了研究热点，imToken官网下载， 海南大学生物医学工程学院副教授，达到了98.14%，Step3：使用处理后的数据集训练模型将眼底OCT图像按疾病分类，这大大影响了深度学习模型在疾病识别和分类方面的准确性，与使用原始数据集训练的模型相比，本研究提出的方法还节省了81.12%的处理时间，然而，获得海南自贸港D类人才称号。

图像质量不佳，改善图像质量。