视界智瞳——眼底图像综合处理系统（NeuroVision）

快速开始（点击展开）

git clone https://github.com/ABLingss/NeuroVision.git
cd NeuroVision-git
cd backend
pip install -r requirements.txt
uvicorn main:app --reload

提示：在 Windows 终端中使用 Ctrl+C 停止运行中的服务。

^{最后更新：2025-09-23}

1. 项目简介

视界智瞳（NeuroVision）是一款面向基层医疗场景的智能化眼底图像综合处理系统，集成先进的计算机视觉与深度学习技术，致力于实现眼科疾病的早期筛查、精准诊断与有效管理。系统采用"B端采图 + C端随访"的创新服务闭环设计，打通图像获取、智能分析、报告生成与长期健康管理的全流程，显著提升眼底疾病诊疗的效率与可及性。

2. 项目背景

随着全球人口老龄化趋势加剧及糖尿病等慢性疾病高发，眼底疾病已成为导致视力损伤与失明的主要原因。眼底图像分析是实现眼科疾病早筛、早诊、早治的重要手段，其技术水平直接决定诊疗质量与效率。然而，现有眼底AI系统普遍存在以下问题：

图像处理能力弱，难以应对基层设备采集的低质量图像
病灶识别准确率不高，尤其是对复杂或微小病变的检测
缺乏结构化报告与个性化风险评估
部署门槛高，维护成本大
用户粘性不足，难以形成长期健康管理

这些问题严重制约了AI技术在基层医疗场景中的实际应用价值。视界智瞳项目旨在通过技术创新与模式创新，解决上述痛点，提升基层眼底疾病筛查与管理水平。

3. 项目目标

本项目聚焦基层场景下眼底筛查的智能化需求，面向眼科医生、内分泌科医生及高风险慢病人群，构建一套高效、精准、易部署的眼底图像分析系统。具体目标包括：

提供高质量的眼底图像处理与分析能力，支持多种常见眼底疾病的准确识别
生成结构化、可视化的诊断报告，辅助医生进行临床决策
建立个性化风险评估机制，为患者提供针对性的健康建议
实现系统的轻量化部署，降低基层医疗机构的使用门槛
构建"B端采图 + C端随访"的服务闭环，提升用户参与度与依从性
优化用户交互体验，确保系统易于操作和使用

4. 主要技术创新与系统特色

4.1 双目彩色多模态影像诊断引擎

融合盲解卷积、CLAHE动态亮度增强与多模态匹配策略，有效提升低质量图像下的病灶清晰度和诊断准确性，为基层设备采图提供鲁棒支持。该引擎能够自动处理不同设备、不同光照条件下获取的眼底图像，确保后续分析的可靠性。

4.2 改进型YOLOv12-cls双阶段分类模型

针对小样本、高复杂度的真实眼底图像数据，设计C2PSA-SPPF结构，实现八类眼底疾病的高精度识别。模型在测试集中准确率达92.28%，特化糖尿病视网膜病变识别召回率突破95.4%，显著提升复杂病灶的识别能力与早筛效率。

4.3 动态置信度补偿与风险评估机制

引入性别、年龄及双眼异构信息构建多模态置信度调节模型，实现高危、中危、低危三级可视化评估，为个性化干预和临床辅助决策提供可靠支持。系统能够综合考虑患者的个体特征，给出更符合实际情况的风险评估结果。

4.4 病灶增强与可视化分割模块

通过结构化病灶分割与血管连续性重建算法，支持渗出物、视杯视盘等关键区域的高亮检测，实现辅助诊断可视化，大幅提升医生读图效率。医生可以直观地看到病变的位置、大小和严重程度，提高诊断的准确性和效率。

4.5 AI辅助诊疗闭环工作流

整合DEEPSEEK等医学大模型，构建从图像上传、智能分析、风险标注到报告生成的全流程自动化诊疗路径。系统能够自动完成图像预处理、病灶检测、特征提取、分类识别和报告生成等一系列任务，显著减轻医生的工作负担。

4.6 "B端采图 + C端随访"的双端部署闭环设计

创新提出服务闭环式部署方案——由基层医院、体检中心等B端机构负责采图与初步分析，患者通过小程序完成报告查看、健康管理及复查提醒，打通图像获取、分析、反馈、随访全过程，解决传统AI系统中图像采集难、用户参与弱、诊疗流程断等核心问题，显著提升推广落地的可行性。

4.7 前端可视化与交互体验优化

系统提供简洁直观的前端操作界面，支持图像上传、诊断可视化、风险等级反馈与交互式查看，提升医护人员和患者的使用体验。界面设计遵循人体工程学原则，操作流程简单明了，减少用户的学习成本。

5. 系统架构

5.1 整体架构

系统采用前后端分离的架构设计，主要包括前端应用、后端服务和AI推理引擎三大部分。前端负责用户交互和数据展示，后端提供业务逻辑处理和数据管理功能，AI推理引擎负责图像分析和模型推理。

5.2 核心模块

图像采集与预处理模块：支持多种设备的图像输入，进行自动校正、增强和标准化处理
AI推理与分析模块：包含深度学习模型，实现病灶检测、分类和分割
风险评估与报告生成模块：基于分析结果生成结构化报告和风险评估
用户管理与权限控制模块：管理用户信息和访问权限
数据存储与管理模块：存储和管理图像数据、分析结果和用户信息
系统管理与监控模块：监控系统运行状态，进行日志管理和故障排查

5.3 技术栈

前端：HTML, CSS, JavaScript
后端：Python, FastAPI
数据库：SQLite
AI模型：改进型YOLOv12-cls, 盲解卷积, CLAHE等算法
部署方式：支持本地服务器部署

6. 目录结构

项目采用模块化的目录结构设计，便于开发、维护和扩展。主要目录包括：

├── API_AIservicev1.0.0/      # AI服务API模块
├── Android/                  # Android客户端源码
├── B端（包含前端静态资源）/   # B端应用源码和前端静态资源
├── backend/                  # 后端服务源码
│   ├── database/             # 数据库相关代码
│   ├── models/               # 数据模型定义
│   ├── routers/              # API路由定义
│   ├── static/               # 静态资源文件
│   └── templates/            # HTML模板文件
├── document/                 # 项目文档
│   └── images/               # 文档图片资源
└── 眼底图像分析处理APIv0.0.5/ # 眼底图像分析处理API

7. 快速开始

7.1 环境要求

Python 3.8+
依赖库详见各模块的requirements.txt文件
对于AI推理部分，建议使用GPU加速

7.2 安装与配置

克隆项目代码

git clone https://github.com/ABLingss/NeuroVision.git
cd NeuroVision-git

安装后端依赖

cd backend
pip install -r requirements.txt

安装AI服务依赖

cd ../API_AIservicev1.0.0
pip install -r requirements.txt

配置数据库
```
cd ../backend
python init_database.py
```

7.3 运行系统

启动后端服务
```
cd backend
uvicorn main:app --reload
```
启动AI服务
```
cd ../API_AIservicev1.0.0
python API.py
```
访问系统 打开浏览器，输入 http://localhost:8000 访问系统前端界面

8. 功能模块详解

8.1 图像上传与预处理

支持多种格式的眼底图像上传，包括JPG、PNG、BMP等。系统自动对上传的图像进行格式检查、大小调整、对比度增强和噪声去除等预处理操作，确保后续分析的准确性。

8.2 智能分析与诊断

系统使用改进型YOLOv12-cls模型对预处理后的图像进行分析，自动识别八类常见的眼底疾病，包括糖尿病视网膜病变、青光眼、黄斑变性等。分析过程中，系统同时进行病灶定位、分割和特征提取，为后续的风险评估提供依据。

8.3 风险评估与报告生成

基于图像分析结果和患者的个体信息（如年龄、性别、病史等），系统进行综合评估，生成详细的结构化报告。报告包括图像分析结果、病灶描述、风险等级评估和建议的进一步检查或治疗方案。

8.4 随访管理

系统支持为患者建立长期的随访计划，根据患者的病情和风险等级，自动提醒患者进行定期复查。随访记录会被系统保存，便于医生跟踪患者的病情变化。

8.5 数据统计与分析

系统提供丰富的数据统计和分析功能，支持按时间、地区、人群等维度对筛查数据进行统计和分析，为公共卫生决策提供数据支持。

9. 应用场景

9.1 基层医疗机构

为基层医院、乡镇卫生院和社区卫生服务中心提供眼底疾病筛查和辅助诊断工具，帮助基层医生提高诊断水平，扩大眼底筛查覆盖范围。

9.2 体检中心

在体检中心开展眼底疾病筛查，早期发现潜在的健康风险，为体检者提供个性化的健康建议。

9.3 专科医院

作为专科医院的辅助诊断工具，提高医生的工作效率和诊断准确性，尤其适用于门诊量大的医疗机构。

9.4 慢病管理

为糖尿病、高血压等慢性疾病患者提供长期的眼底监测和管理服务，早期发现并发症，降低失明风险。

10. 优势与价值

10.1 技术优势

高精度的病灶识别能力，尤其是对复杂或微小病变的检测
强大的图像处理能力，能够处理低质量的基层设备采集图像
创新的动态置信度补偿机制，提高风险评估的准确性
先进的可视化技术，直观展示病变情况

10.2 应用价值

提高眼底疾病的早期筛查率和诊断准确性
降低医疗成本，减轻医生工作负担
扩大眼底筛查覆盖范围，尤其惠及基层地区
促进慢性病管理，降低并发症风险
提供数据支持，辅助公共卫生决策

10.3 社会价值

减少因眼底疾病导致的视力损伤和失明
提高人民群众的健康水平和生活质量
助力分级诊疗制度建设，促进医疗资源合理分配
推动人工智能技术在医疗健康领域的应用和发展

11. 未来规划

11.1 技术迭代

持续优化深度学习模型，提高病灶识别的准确率和召回率
扩展支持更多类型的眼底疾病和异常情况
研究更高效的模型压缩和加速技术，实现移动端部署
融合多模态数据（如OCT图像、血液检测指标等）进行综合分析

11.2 功能扩展

开发更丰富的随访管理和健康干预功能
提供更多样化的数据统计和分析工具
建立多中心协作平台，促进数据共享和模型优化
开发针对特定人群（如儿童、孕妇等）的专用筛查模式

11.3 应用推广

扩大在基层医疗机构的覆盖范围
探索与保险机构、体检机构的合作模式
开展国际合作，推广先进的眼底筛查技术
加强科普宣传，提高公众对眼底健康的重视

12. 贡献与支持

欢迎各界人士参与视界智瞳项目的开发与完善。无论是代码贡献、文档编写、测试反馈还是功能建议，您的支持都是我们前进的动力。请通过以下方式联系我们：

GitHub Issues
电子邮件： ABLingsss@163.com

Name		Name	Last commit message	Last commit date
Latest commit History 2 Commits
API_AIservicev1.0.0		API_AIservicev1.0.0
Android		Android
backend.egg-info		backend.egg-info
backend		backend
document		document
眼底图像分析处理APIv0.0.5/眼底图像分析处理APIv0.0.5		眼底图像分析处理APIv0.0.5/眼底图像分析处理APIv0.0.5
README.md		README.md
pyproject.toml		pyproject.toml

ABLingss/NeuroVision

Folders and files

Latest commit

History

Repository files navigation