小儿白内障是一种典型的小儿眼科病,已成为影响小儿视力发育最常见的眼科疾病之一。小儿白内障大多发生于患者出生前后和婴幼儿时期,若不及时接受治疗,将会给患者带来不可逆转的眼睛损伤,严重者可导致失明。由于婴幼儿的眼睛尚处于发育阶段,小儿白内障的临床个体差异较大,导致患者在手术后需要长期定时到医院进行复查。小儿白内障的这些特点不仅会造成医疗资源紧张,而且给患者的家庭带来了沉重的医疗负担。随着机器学习领域的不断发展,计算机医疗已经成为辅助医生进行医疗诊断的重要手段,这为改善小儿白内障的医疗现状提供了一个新的研究方向。裂隙灯图像可以直观反映晶状体中白内障的形态,在小儿白内障的诊断中起着关键的作用,同时也为计算机辅助诊断小儿白内障提供了丰富的数据资源,使得将计算机技术应用于小儿白内障的诊断成为可能。本文的研究包含了小儿白内障术前裂隙图像的分级和术后红反时间序列图像的预测两个部分。在裂隙图像分级中,本文首先通过Canny边缘检测和霍夫变换检测圆的方法对小儿白内障术前裂隙图像进行晶状体定位和识别,去除图像噪声。接着根据眼科医生制定的裂隙图像分级标准,训练了三个不同的CNN(Convolutional Neural Network)模型,分别从白内障的面积、密度和位置三个角度对小儿白内障裂隙图像进行严重程度的分级。此外,本文以裂隙图像在面积角度的分级为例,重点探讨了CNN网络中不同的参数和网络结构对裂隙图像分级性能的影响,进而对网络进行优化。最后,本文将CNN与对比实验的裂隙图像分级结果进行了对比验证。在红反时间序列图像预测中,本文使用了LSTM(Long Short-Term Memory Network)深度学习模型来预测小儿白内障患者是否需要再次接受手术治疗,探究小儿白内障手术后复发情况的动态规律。在小儿白内障裂隙图像的分级中,CNN分类器在白内障的面积、密度和位置三个角度的分级准确率分别达到了92.77%、89.55%和76.63%,整体分级效果超过了图像特征提取和SVM(Support Vector Machine)分类器组合的方法。在红反时间序列图像预测中,LSTM模型预测下一时刻复发的准确率为91.58%,实验结果说明了小儿白内障术后复发存在一定的规律性并可以对其进行预测。与本文相关的前期工作已在Nature Biomedical Engineering等期刊发表,并且被IEEE Spectrum媒体报道。从整体来看,本文研究的CNN和LSTM模型的结果可以作为眼科医生诊断小儿白内障的参考。