基于ResNet的眼科疾病智能诊断系统

202208070106

1.方案概述

本项目采用双流ResNet50-CBAM模型，结合Vue框架和SpringBoot框架，开发一套基于眼底医学影像的智能诊断系统，旨在为医生提供高效、精准的眼底疾病诊断工具，提升诊断效率，优化医疗资源配置，为患者提供更优质的医疗服务。

2.框架图

3.数据库设计
（1）用户表id：bigint 类型，主键，唯一标识每个用户，是用户在系统内的核心索引。
phone：varchar (11) ，必填，记录用户手机号码。
password：varchar (128) ，选填，加密存储用户登录密码。
nick_name：varchar (32) ，选填，用户昵称。
create_time：datetime ，必填，记录用户账号创建时间。
update_time：datetime ，必填，记录用户信息最后更新时间。
city：varchar (64) ，选填，存储用户所在城市。
email：varchar (255) ，选填，记录用户邮箱。
unit：varchar (255) ，选填，可存储用户所属单位等信息。
（2）诊断结果表
task_id：int 类型，主键，唯一标识每个诊断任务，串联单次检测全流程数据 。
user_id：int ，必填，关联用户表的id，建立任务与用户的归属关系 。
username：varchar (50) ，必填，存储用户名。
original_image_left：varchar (512) ，选填，存储原始检测左眼图片URL。
original_image_right：varchar (512) ，选填，存储原始检测右眼图片URL。
processed_image_left：varchar (512) ，选填，存储预处理后左眼图片URL。
processed_image_right：varchar (512) ，选填，存储预处理后右眼图片URL。
incidence：varchar (512) ，选填，记录疾病概率等数据。
detection_result：text ，选填，存储检测结果。
upload_time：timestamp ，选填，记录检测任务上传（提交）时间。
（3）问题反馈表id：bigint 类型，主键，唯一标识每条问题反馈。
user_id：bigint ，必填，关联用户表的id，明确反馈问题的用户。
content：varchar (255) ，必填，记录问题具体内容。
nick_name：varchar (50) ，必填，存储用户昵称。
status：tinyint ，选填，标记问题处理状态（0 - 未解决、1 - 已解决 ）。
create_time：datetime ，必填，记录问题反馈创建时间。

4.详细设计

  本系统主要采用基于torch的pytorch深度学习框架完成模型部署和推理；算法基于ResNet进行改进；前端采用Vue框架，结合Bootstrap、jQuery、Element-Plus、Echarts库构建界面，采用Axios实现前后端交互；后端使用SpringBoot框架，通过Maven 进行项目管理和多线程处理。数据存储采用MySQL 数据库，结合MyBatis-Plus 进行数据操作，并使用Redis 提供缓存支持；客户端和服务端之间的交互采用BS 架构，用户仅需在前端界面进行操作，与服务端进行数据交互。

用户可通过登录注册进入系统，若忘记密码，可使用找回密码功能重新设置密码。

普通用户登录后，可上传眼底医学影像图片。系统将对上传的图片进行预处理，以确保图片质量符合诊断要求；随后，运用算法对图片进行眼底疾病诊断，并将诊断结果及时反馈至系统界面，让用户能够直观地了解诊断情况。同时，诊断数据将被传输至数据库，以便进行数据统计和系统调取。系统还具备历史数据展示功能，能够通过图表形象地呈现眼疾诊断分析结果，用户可以方便地查看任意患者的各次历史记录，便于跟踪病情变化和进行对比分析。此外，如果用户在使用系统过程中发现模型诊断或者系统使用存在问题，也可通过问题反馈功能向管理员反馈，以便及时解决问题，提升系统性能。

管理员可对普通用户进行管理，包括用户信息的查看、编辑和权限设置等，确保用户数据的安全和系统的正常运行。管理员还可通过模型运行大屏关注模型的运行状况，及时发现并解决可能出现的问题。同时，管理员能够根据用户反馈的问题，对模型进行改进与修正，不断提升模型的准确性和可靠性。