一、项目简介

1. 项目背景与意义

随着信息技术的迅猛发展，医学影像学已经成为现代医疗中不可或缺的重要组成部分。在眼科领域，眼底图像的自动分析和疾病识别技术取得了显著进展。眼底图像（指通过眼底照相机或OCT获取的图像）能够反映眼部及全身的健康状况，如白内障、青光眼、糖尿病、年龄相关性黄斑变性（AMD）等。传统的眼部疾病诊断仅仅依赖于专家的人工分析，会因医生的疲劳存在一定的误差性，而随着人工智能技术的不断进步，基于图像处理和深度学习的自动化诊断系统正成为一种新的发展趋势。

目前大多情况下，人工智能的工程化实现需要依赖高性能计算机，导致了人工智能系统难以小型化、便携式，且功耗与成本都比较大，设备的安装维护较为困难，同时对于使用者的专业要求也较高，这严重制约了人工智能技术在医学诊断领域的应用和推广。

针对上述问题，我们开展基于FPGA+ARM的面向眼科疾病的多通道并行图像智能诊断系统的研制，充分利用FPGA灵活并行的计算架构以及ARM神经网络加速的特性，实现多通道的眼底图像并行智能诊断，利用一套FPGA+ARM架构，实现8路眼底图像的并行识别分类。从前端探测到后端处理，提供小型化、便携式、低成本、多通道眼底图像诊断系统完备的软硬件解决方案。本项目的研究，旨在推动人工智能技术在眼科疾病诊断领域的工程化实现和实际应用，使得疾病识别和诊断过程可以更加高效精准。

2. 创新实践研究的范围与方向

该项目围绕“基于嵌入式的智能眼底图像疾病诊断系统”开展大学生创新实践研究，主要研究方向可包括：

a)      图像处理与分析算法：开发和优化适用于眼底图像的预处理算法（如去噪、图像增强、特征提取）。应用深度学习技术，如卷积神经网络（CNN），进行眼底疾病自动分类与识别。

b)      嵌入式系统开发与优化：开发基于嵌入式平台的实时眼底图像采集、处理与分析系统。设计低功耗、高性能的嵌入式硬件，满足眼底图像处理的实时性要求。

c)      数据集构建与标注：收集并整理眼底图像数据集，标注各类眼部疾病。探索如何通过增强学习、迁移学习等方式提高小样本数据的识别准确性。

d)      系统集成与优化：完善硬件和软件的协同工作，提高系统的整体性能与稳定性。设计可交互的用户界面，使得医生或其他非专业人员能够方便地使用系统进行诊断。

e)      算法与硬件优化：针对嵌入式平台的计算能力，优化深度学习算法和图像处理流程，以实现更高效、低延迟的疾病识别。

3. 实验条件与资源支持

为确保项目顺利开展，以下实验条件和资源提供支持：

a)      实验场所：实验室将提供高性能计算机、嵌入式电路研制及应用开发环境，配备实验所需的硬件设备，如嵌入式开发板（如STM32、树莓派、Hv3559、Jetson等）、传感器模块等。

b)      软硬件设备：硬件设备包括嵌入式开发平台（如树莓派、NVIDIA Jetson等）、图像显示设备（如显示器等），软件工具包括MATLAB、Python、TensorFlow/Keras等深度学习框架，用于图像处理、模型训练与优化。

c)      实验平台：提供基于Linux的嵌入式操作系统平台，支持图像处理库（如OpenCV、Pillow）和深度学习框架。配置足够的计算资源，支持高性能图像处理和算法训练。

通过这些实验条件，学生不仅能掌握嵌入式开发和图像处理技术，还能深入理解医学影像学、深度学习在医学领域的实际应用，推动眼底图像疾病识别技术的创新与发展。

二、招募学生要求

1.         专业要求：计算机、物联网工程、自动化、人工智能、软件工程等相关专业学生。

2.         技能要求：熟悉嵌入式开发平台（如STM32、树莓派），了解图像处理技术（如OpenCV）和深度学习框架（如Tensor）。

3.         团队能力：良好的团队合作和沟通能力。