作者：陳佳聰

1背景介紹

黃斑病，作為一組影響視網膜黃斑區的病理性改變，是眼科常見的可致盲疾病之一。黃斑區是人眼視力最敏感的區域，主要負責精細視覺及色覺等視功能。正常情況下，外界物體光線進入眼內，投影在黃斑區中心凹處，形成清晰精確的像。一旦黃斑區發生病變，患者可表現為中心視力下降、視物扭曲變形、視野中心暗點等癥狀。部分黃斑病變可致盲，極大影響患者的生活質量。

黃斑病變包括多種類型，其中老年性黃斑變性（AMD）是最常見的一種，隨著年齡的增長，其發病率逐漸增高。據國內患病率調查結果顯示，50歲以上人群年齡相關性黃斑變性患病率為15.5%，80歲以上人群患病率高達23.5%。據此估計，我國目前年齡相關性黃斑變性患者約有數百萬之多。此外，一些全身慢性疾病如糖尿病、高血壓、動脈粥樣硬化等也可能導致黃斑病變。黃斑病變不僅影響視力，還嚴重影響患者的日常生活和社會參與，給患者及其家庭帶來沉重的負擔。

為此本項目利用黃斑區眼底彩照及OCT掃描圖像，構建基于深度學習算法的黃斑病變檢測模型用于常見9類黃斑區病變的檢測，為此深度學習模型在分類眼底彩照和OCT圖像時都展現出了高準確度、敏感度及特異度，基于OCT圖像的檢測效果略優于眼底彩照。

2系統設計

2.1硬件設計

哪吒開發板搭載英特爾 N97處理器，配備8GB LPDDR5內存和64GB eMMC存儲空間，支持Windows、Linux兩個操作系統，支持高分辨率顯示，提供HDMI接口使檢測結果能更好的展示。

首先本項目使用ubuntu 20.04 LTS系統進行項目部署：

2.2環境搭建

首先部署本系統，因為哪吒開發板出廠并不帶系統，需要我們進行燒錄。

進入官網：

ubuntu下載

接著進行openvino 配置：

首先進行基礎依賴安裝：

sudo apt-get install libprotobuf-dev protobuf-compiler

輸出回顯中碰到Do you want to continue? [Y/n] y

接著進行OpenVino下載，官網中給出了許多安裝方式，大家可自行安裝。

官網openvino下載

接下來進行數據獲取，本項目利用messidor 數據庫

下載地址：https://www.adcis.net/en/third-party/messidor/

接下來進行模型準備：Tensorflow轉ONNX模型。

首先我們進行tf2onnx的安裝pip install tf2onnx onnx，然后我們使用以下代碼將tensorflow轉為ONNX：

import tensorflow as tf
from tf2onnx import convert, utils
from tf2onnx.tfonnx import process_tf_graph
from onnx import shape_inference
def convert_tf_to_onnx(tf_model_path, onnx_model_path):
  # 導入 TensorFlow 模型
  with tf.io.gfile.GFile(tf_model_path, "rb") as f:
    graph_def = tf.compat.v1.GraphDef()
    graph_def.ParseFromString(f.read())
  # 創建一個 TensorFlow 圖
  with tf.Graph().as_default() as tf_graph:
    tf.import_graph_def(graph_def, name="")
  # 使用 tf2onnx 轉換模型
  with tf2onnx.utils.make_tf_graph(tf_graph) as tfg:
    # 獲取輸入和輸出節點
    input_names = ["input_0"] # 根據你的模型修改輸入節點名稱
    output_names = ["output_0"] # 根據你的模型修改輸出節點名稱
    # 轉換模型
    model_proto, _ = convert.from_graph_def(
      tf_graph.as_graph_def(), input_names, output_names, opset=12
    )
  # 應用 ONNX 形狀推斷
  inferred_model = shape_inference.infer_shapes(model_proto)
  # 保存 ONNX 模型
  with open(onnx_model_path, "wb") as f:
    f.write(inferred_model.SerializeToString())
  print(f"ONNX model saved to {onnx_model_path}")
# TensorFlow 模型路徑
tf_model_path = "path/to/your/tf_model.pb"
# ONNX 模型保存路徑
onnx_model_path = "path/to/your/onnx_model.onnx"
# 轉換模型
convert_tf_to_onnx(tf_model_path, onnx_model_path)
接著我們進行onnxruntime的安裝
pip install onnx onnxruntime
接著進行模型驗證，我們可以使用以下腳本（腳本上面是使用圖片作為輸入，大家可以自行轉換）
import onnx
import onnxruntime as ort
import numpy as np
from PIL import Image
import io
def preprocess_image(image_path, target_size=(224, 224)):
  """預處理圖像以匹配模型輸入"""
  image = Image.open(image_path).convert('RGB')
  image = image.resize(target_size)
  image_array = np.array(image).astype(np.float32) / 255.0
  image_array = np.transpose(image_array, (2, 0, 1)) # 轉換為 CHW 格式
  image_array = np.expand_dims(image_array, axis=0) # 添加批次維度
  return image_array
def load_onnx_model(model_path):
  """加載 ONNX 模型"""
  onnx_model = onnx.load(model_path)
  onnx.checker.check_model(onnx_model)
  return onnx_model
def run_onnx_model(onnx_model_path, image_path):
  """運行 ONNX 模型并打印輸出"""
  # 加載 ONNX 模型
  onnx_model = load_onnx_model(onnx_model_path)
  session = ort.InferenceSession(onnx_model_path)
  # 預處理圖像
  input_data = preprocess_image(image_path)
  # 獲取輸入和輸出名稱
  input_name = session.get_inputs()[0].name
  output_name = session.get_outputs()[0].name
  # 運行模型
  outputs = session.run([output_name], {input_name: input_data})
  # 打印輸出
  print("Model Output:", outputs[0])
# ONNX 模型路徑
onnx_model_path = "path/to/your/onnx_model.onnx"
# 輸入圖像路徑
image_path = "path/to/your/input_image.jpg"
# 運行驗證
run_onnx_model(onnx_model_path, image_path)

接著使用openvino中的mo_onnx.py將onnx轉為IR中間模型

python mo_onnx.py --input_model 【.onnx模型路徑】 --output_dir 【目標路徑】

接著就可以進行部署

部署頁面