摘  要

糖尿病视网膜病变作为糖尿病常见慢性并发症，是工作年龄段人群失明的主要诱因之一。早期发现并治疗对控制病情、保护视力意义重大。然而，传统依靠眼科专家手动评估眼底图像的检测方式，存在效率低、受医生经验和技术水平制约等问题。

本研究基于深度学习技术，借助 YOLO11 框架展开糖尿病视网膜疾病诊断系统的开发。通过收集 1785 张实际场景中的相关图片，经标注与数据增强处理构建训练数据集，利用该数据集训练目标检测模型，实现对 5 种病变类型的精准识别。同时，基于训练好的模型，结合 Pyqt5 开发可视化系统，支持图片、视频及摄像头检测，并能保存检测结果，还可将图片检测结果保存为 csv 文件，方便查看与后续分析。

该研究有效解决了传统检测方法的弊端，大幅提升了糖尿病视网膜病变的检测效率和准确性。系统的可视化界面操作便捷，无需专业编程技能即可使用，不仅为临床辅助诊断、大规模筛查、远程医疗等提供了有力支持，还能应用于个性化健康管理、医学教育与培训及相关研究领域，有助于实现早期干预，降低糖尿病患者失明风险，改善患者生活质量，推动糖尿病视网膜病变防治技术的发展。

关键词：深度学习；糖尿病视网膜病变；YOLO11; 目标检测；可视化系统

Abstract

Diabetic retinopathy, as a common chronic complication of diabetes, is one of the main causes of blindness among people of working age. Early detection and treatment are of great significance for controlling the disease and protecting vision. However, the traditional detection method, which relies on ophthalmologists to manually evaluate fundus images, has problems such as low efficiency and being restricted by the doctor's experience and technical level.

This study is based on deep learning technology and develops a diagnostic system for diabetic retinopathy by using the YOLO11 framework. By collecting 1,785 relevant images in real-world scenarios, constructing a training dataset through annotation and data augmentation, and using this dataset to train a target detection model, the accurate identification of five types of lesions is achieved. At the same time, based on the trained model, a visualization system is developed in combination with Pyqt5. It supports the detection of images, videos, and cameras, can save the detection results, and can also save the image detection results as csv files for easy viewing and subsequent analysis.

This study effectively solves the drawbacks of traditional detection methods and significantly improves the detection efficiency and accuracy of diabetic retinopathy. The visualization interface of the system is easy to operate and can be used without professional programming skills. It not only provides strong support for clinical auxiliary diagnosis, large-scale screening, telemedicine, etc., but also can be applied to personalized health management, medical education and training, and related research fields. It helps to achieve early intervention, reduce the risk of blindness in diabetic patients, improve the quality of life of patients, and promote the development of prevention and treatment technologies for diabetic retinopathy.

Key Words: Deep Learning; Diabetic Retinopathy; YOLO11; Target Detection; Visualization System

目 录

摘  要......................... I

Abstract...................... II

目 录........................ III

第一章  绪 论.................. 1

1.1 研究背景及意义................. 1

1.1.1 研究背景.................. 1

1.1.2 研究背景.................. 1

1.2 国内外研究动态................. 2

1.2.1 国外研究动态.............. 2

1.2.2 国内研究动态.............. 2

1.3 研究目标与研究内容............. 2

1.3.1 研究目标.................. 2

1.3.2 研究内容.................. 3

1.4 全文结构安排................... 3

第二章  相关理论与核心技术...... 5

2.1 相关理论....................... 5

2.1.1 深度学习理论.............. 5

2.1.2 目标检测理论.............. 5

2.2 YOLOv11检测算法................ 6

2.3 Pyqt5 框架..................... 7

2.4 PyTorch框架.................... 8

第三章  深度学习的糖尿病视网膜疾病诊断设计与实现................. 9

3.1 数据获取....................... 9

3.2 数据划分....................... 9

3.3 数据预处理.................... 10

第四章  糖尿病视网膜疾病目标检测模型............................ 13

4.1 实验环境与评估指标............ 13

4.2.1 实验环境................. 13

4.2.2 实验参数设置............. 13

4.2 构建模型...................... 14

4.3 模型训练...................... 15

4.4 评估指标...................... 16

4.4.1 mAP指标................. 16

4.4.2 Precision指标........... 16

4.4.3 Recall指标.............. 17

4.4.4 F1分数指标.............. 17

4.5 实验结果...................... 17

第五章  糖尿病视网膜疾病系统实现 21

5.1 需求分析...................... 21

5.1.1 功能性需求分析........... 21

5.1.2 可行性分析............... 21

5.2 系统设计...................... 22

5.3 系统实现...................... 23

5.3.1 图片检测界面实现......... 23

5.3.2 视频文件检测界面实现..... 24

5.3.3 界面参数设置实现......... 25

5.3.4 检测结果实现............. 25

5.3.5 结果导出界面实现......... 26

第六章  总结与展望............. 28

6.1 研究结论...................... 28

6.2 存在的不足和该进.............. 28

致  谢........................ 29

参考文献...................... 30

2.2 YOLOv11检测算法

YOLOv11 检测算法是目标检测领域的前沿技术，在 YOLO 系列算法基础上进行了深度优化与创新。它延续了 YOLO 系列单阶段检测的高效性，能够快速且准确地识别图像或视频中的目标物体。

在网络结构方面，YOLOv11 进行了全新设计。采用了更为高效的特征提取模块，能够在不同尺度下精准捕捉目标特征。通过多尺度预测机制，它能适应不同大小的目标，有效提高了检测的召回率。同时，网络结构的优化使得计算量大幅降低，在保证检测精度的同时显著提升了检测速度，非常适合对实时性要求较高的应用场景。损失函数上，YOLOv11 进行了改进。它综合考虑了目标分类、边界框回归和目标置信度等多个方面，通过合理的权重分配，使得模型在训练过程中能够更加均衡地学习各项任务，从而提高了整体的检测性能。

在数据处理上，YOLOv11 运用了先进的数据增强技术，如随机裁剪、翻转、颜色抖动等，增加了训练数据的多样性，提高了模型的泛化能力。此外，它还支持批量训练，进一步加快了训练速度。

在糖尿病视网膜病变诊断中，YOLOv11 能够快速定位眼底图像中的病变区域，准确识别微动脉瘤、出血点等病变类型，为医生提供精准的诊断依据，辅助医生做出更科学的治疗决策，具有极高的临床应用价值，原理如图2-1所示。

图2-1 YOLOv11原理图

2.3 Pyqt5 框架

Pyqt5 是 Python 的一个 GUI（图形用户界面）框架，在糖尿病视网膜疾病诊断系统的开发中用于构建用户操作界面。它提供了丰富的功能和组件，使得开发者能够轻松创建出美观、易用且功能强大的可视化界面。Pyqt5 的布局管理系统允许开发者灵活地安排窗口中的各种控件，如按钮、文本框、图像显示区域等，确保界面在不同分辨率和设备上都能保持良好的显示效果。

在本研究中，借助 Pyqt5 开发的界面，用户可以方便地上传眼底图像或开启摄像头实时获取图像进行检测。检测结果能够直观地在界面中展示，包括病变区域的标注以及诊断结论。同时，该框架还支持将检测结果保存为多种格式，如将图片检测结果保存为 csv 文件，方便医生后续查看、分析和存档。此外，Pyqt5 与其他 Python 库具有良好的兼容性，能够与深度学习模型以及数据处理模块无缝集成，为整个糖尿病视网膜疾病诊断系统提供了便捷的用户交互方式，即使是非专业技术人员也能轻松操作，有助于推动诊断系统在临床实践中的广泛应用，PyQt5主要模块如图2-2所示。

图2-2 PyQt5主要模块图

2.4 PyTorch框架

PyTorch 是一个基于 Python 的开源深度学习框架，由 Facebook 的人工智能研究小组开发，以其简洁性、灵活性和动态计算图特性在学术界和工业界广泛应用。与传统的静态计算图框架不同，PyTorch 采用动态计算图机制，允许用户在运行时动态构建和修改计算图，这种灵活性使得代码调试更加直观，特别适合研究人员快速验证新算法和模型结构。例如，在糖尿病视网膜疾病诊断研究中，研究人员可以方便地调整神经网络的层次结构和连接方式，实时观察模型变化对结果的影响。

PyTorch 提供了丰富的张量操作库和自动微分功能（autograd）。张量作为 PyTorch 的核心数据结构，支持 GPU 加速，能够高效处理大规模的图像数据。autograd 模块则自动计算张量运算的梯度，极大简化了反向传播过程，使得开发者无需手动推导复杂的梯度公式，即可实现神经网络的训练优化。此外，PyTorch 还集成了众多预训练模型和工具包，如 TorchVision 用于计算机视觉任务，研究人员可以基于这些预训练模型进行迁移学习，在糖尿病视网膜病变图像分析中，通过加载预训练的图像分类模型，快速提取图像特征，显著减少训练时间并提升模型性能。凭借这些特性，PyTorch 成为深度学习项目从研究到生产部署的理想选择。

 第三章  深度学习的糖尿病视网膜疾病诊断设计与实现

3.1 数据获取

数据的获取与处理是基于深度学习的糖尿病视网膜疾病诊断研究的基础环节。在数据获取方面，本研究广泛收集实际场景中的相关图片，以构建具有代表性的数据集。这些图片来源多样，涵盖了不同地区、不同设备采集的糖尿病患者眼底图像，确保数据的丰富性与真实性。通过与医疗机构合作、公开数据集整合等方式，共收集到 1785 张眼底图像，为后续研究提供了充足的数据支撑。​

数据集的各类别具体分布如表3-1所示：

表3- 1数据含义表

序号	字段名	数据类型	字段描述
1	Mild	String	轻度病变
2	Moderate	String	中度病变
3	No DR	String	正常
4	Severe	String	重度病变
5	proliferate DR	String	增殖性病变

3.2 数据划分

数据划分是确保深度学习模型训练效果与泛化能力的关键步骤。为了使模型在糖尿病视网膜疾病诊断中能够准确识别病变类型，本研究采用科学的划分策略，将处理后的数据集划分为训练集、验证集和测试集。其中，训练集用于模型参数的优化学习，验证集辅助调整模型超参数并防止过拟合，测试集则对最终模型进行客观评估。

在具体划分过程中，按照 7:1:2 的比例分配数据。约 1250 张图像被划入训练集，作为模型学习病变特征的核心数据来源，使模型能够充分捕捉眼底图像中不同病变类型的模式与规律；约 185 张图像构成验证集，在模型训练过程中，通过该数据集评估不同超参数设置下模型的性能表现，及时调整学习率、批次大小等参数，避免模型出现过拟合现象；剩余约 350 张图像组成测试集，其在模型训练完成后投入使用，用于检验模型在未见过数据上的泛化能力，客观反映模型在实际糖尿病视网膜病变诊断中的准确率与可靠性，确保研究成果具备真实应用价值，数据集的存放格式如图3-1所示，部分数据集图像如图3-2所示。

图3-1 划分好的数据集展示

图3-2 部分数据展示

3.3 数据预处理

完成标注后，对数据集开展预处理操作。先进行图像增强，通过调整亮度、对比度，以及运用旋转、翻转等变换手段，扩充数据的多样性，提升模型对不同环境下裂缝的识别能力。接着进行归一化处理，统一图像尺寸，并将像素值归一到特定范围，加快模型训练收敛速度。经过如此处理的 1934 张训练图像、500 张验证图像和 500 张测试图像，为后续裂缝检测模型的训练、优化与性能评估筑牢了坚实基础，保障模型能够准确、高效地学习和识别各类路面裂缝。

首先进行图像归一化处理。将图像的像素值统一缩放到 [0, 1] 或 [-1, 1] 区间，消除不同图像间因亮度和对比度不同造成的差异，使模型能在统一的数据尺度上进行学习。例如，对于像素值范围为 [0, 255] 的 8 位灰度图像，通过简单的线性变换，将每个像素值除以 255，即可将其归一化到 [0, 1] 区间。同时，为增强图像的病变特征，采用直方图均衡化技术。该技术通过调整图像的灰度分布，拉伸灰度范围，使图像的细节更加清晰，有助于模型更好地识别微动脉瘤、出血点等病变区域。此外，为减少图像中的噪声干扰，使用高斯滤波对图像进行平滑处理。高斯滤波根据高斯函数的权重分布，对图像中每个像素及其邻域像素进行加权平均，有效去除高频噪声，同时保留图像的主要结构和特征，为后续的病变检测和分类提供更优质的数据基础。

随后，将图像统一调整至 448x448 像素分辨率。深度学习模型对计算资源消耗巨大，高分辨率图像虽能保留更多细节，但会使计算量呈指数级增长，严重拖慢训练进程，甚至超出硬件承载极限。经反复测试与权衡，448x448 像素分辨率在保留路面裂缝关键细节，如宽度、走向、细微分支等的同时，能将计算量控制在合理范畴，保障模型训练高效、稳定推进。在分辨率调整过程中，采用双线性插值等成熟算法，最大程度降低图像失真，确保图像质量不受损。类别分布的直方图,如图3-3所示。

图3-3 类别分布的直方图

目标位置分布的热图,如图3-4所示。

图3-4 目标位置分布的热图

 第四章  糖尿病视网膜疾病目标检测模型

4.1 实验环境与评估指标

表4- 1模型训练参数及设置

超参数	设置	说明
学习率（lr0）	0.01	决定了模型权重调整的步长大小，在训练初期有助于快速收敛。
学习率衰减（lrf）	0.01	控制训练过程中学习率的降低速度，有助于模型在训练后期细致调整。
动量（momentum）	0.937	加速模型在正确方向上的学习，并减少震荡，加快收敛速度。
权重衰减（weight_decay）	0.0005	防止过拟合，通过在损失函数中添加正则项减少模型复杂度。
训练周期（epoch）	100	初始几个周期内以较低的学习率开始训练，逐渐增加到预定学习率。
批量大小（batch）	6	每次迭代训练中输入模型的样本数，影响GPU内存使用和模型性能。
图像尺寸（imgsz）	640	模型接受的输入图像的尺寸，影响模型的识别能力和计算负担。

4.3 模型训练

准备好数据集后，将图片数据以如下格式放置在项目目录中。在项目目录中新建datasets目录，同时将检测的图片分为训练集与验证集放入Data目录下。

在基于 YOLOv11 构建糖尿病视网膜疾病诊断模型时，需创建data.yaml配置文件，用于存储训练数据路径与病变检测类别信息。该文件是模型训练与验证的重要参数依据，YOLOv11 在训练过程中，将读取其中内容，自动加载数据集并识别目标类别。

文件中需明确标注训练集、验证集图像路径，以及糖尿病视网膜病变的具体类别（如微动脉瘤、出血点、渗出物等）。通过规范数据路径与类别定义，确保模型能精准匹配数据，为后续训练与验证提供准确信息，从而提升模型对糖尿病视网膜病变的检测精度与泛化能力。

data.yaml的具体内容如下：

train: D:\2MyCVProgram\2DetectProgram\EyeDiseaseDetection_v11\datasets\Data/train/images

val: D:\2MyCVProgram\2DetectProgram\EyeDiseaseDetection_v11\datasets\Data/valid/images

nc: 5

names: ['Mild', 'Moderate', 'No DR', 'Severe', 'proliferate DR']

注：train与val后面表示需要训练图片的路径，建议直接写自己文件的绝对路径。

数据准备完成后，通过调用train.py文件进行模型训练，epochs参数用于调整训练的轮数，batch参数用于调整训练的批次大小【根据内存大小调整，最小为1】，optimizer设定的优化器为SGD，训练代码如下：

#coding:utf-8

from ultralytics import YOLO

import matplotlib

matplotlib.use('TkAgg')

# 模型配置文件

model_yaml_path = "ultralytics/cfg/models/11/yolo11.yaml"

#数据集配置文件

data_yaml_path = 'datasets/Data/data.yaml'

#预训练模型

pre_model_name = 'yolo11n.pt'

if __name__ == '__main__':

    #加载预训练模型

    model = YOLO(model_yaml_path).load(pre_model_name)

    #训练模型

    results = model.train(data=data_yaml_path,

                          epochs=150,      # 训练轮数

                          batch=4,         # batch大小

                          name='train_v11', # 保存结果的文件夹名称

                          optimizer='SGD') # 优化器

4.4 评估指标

为了全面评估模型的性能，本研究采用了以下评价指标：

4.4.1 mAP指标

mAP是目标检测中衡量模型性能的一个重要指标。它是对多个类别目标检测的平均精度的综合度量，考虑了不同类别目标的检测难度和模型在各个类别上的表现。对于每个类别，计算其平均精度（AP），AP是通过计算该类别在不同召回水平下的精确率的平均值得到的。然后，将所有类别目标的AP值进行平均，就得到了mAP，以此来综合评估目标检测模型在多个类别上的整体性能。mAP的值越高，说明模型在目标检测任务中的性能越好，能够更准确地检测出不同类别的目标，并具有较高的精确率和召回率。

4.4.2 Precision指标

精确率表示模型预测为正例的样本中，真正为正例的比例。在目标检测中，就是模型检测出的目标中，真正正确的目标所占的比例。它反映了模型预测的准确性。

Precision计算公式如下：

                        Precision=TPFP+TP                         （4-1）

TP（True Positive）表示实际为正且被模型预测为正的样本数量。

FP（False Positive）表示实际为负但被模型预测为正的样本数量。

4.4.3 Recall指标

Recall表示实际为正例的样本中，被模型正确预测为正例的比例。在目标检测中，就是实际存在的目标中，被模型成功检测出来的目标所占的比例。它衡量了模型检测目标的能力，值越高说明模型漏检的目标越少，但它没有考虑模型预测的结果中有多少是错误的。

Recall计算公式如下： ​

  Recall=TPFN+TP                        （4-2）

TP（True Positive）表示实际为正且被模型预测为正的样本数量；

FN（False Negative）表示实际为正但被模型预测为负的样本数量。

4.4.4 F1分数指标

F1分数是精确率和召回率的调和平均数，它综合考虑了精确率和召回率两个指标，能够更全面地反映模型的性能。F1分数的值在0到1之间，值越高表示模型性能越好。当精确率和召回率都很高时，F1分数也会很高。如果精确率和召回率其中一个很高，另一个很低，F1分数会受到较大影响，不能很好地反映模型的性能。

F1分数计算公式如下：​

                           F1=2×Precision+RecallPrecision×Recall                    （4-3）

Precision 是模型正确识别的正类样本占其预测正类总数的比率。

Recall 是模型识别所有实际正类样本的比率。

4.5 实验结果

在深度学习模型训练过程中，损失函数曲线是评估模型训练状态的重要指标。YOLOv11 在训练糖尿病视网膜病变诊断模型时，其损失函数由定位损失 (box_loss)、分类损失 (cls_loss) 和动态特征损失（dfl_loss）三部分构成。定位损失用于衡量预测边界框与真实病变区域的位置偏差，分类损失聚焦病变类型预测的准确性，动态特征损失则优化模型对病变特征的表达能力。训练完成后，所有训练过程及结果文件将自动保存在 runs / 目录下，通过分析该目录下的损失函数曲线，可直观了解模型在训练过程中的收敛情况，评估其对糖尿病视网膜病变检测任务的优化效果，在训练结束后，可以在runs/目录下找到训练过程及结果文件，如下图4-1所示：

图4-1 训练过程及结果文件

在 YOLOv11 算法框架下，糖尿病视网膜病变诊断模型的训练依赖于三种核心损失函数的协同优化，它们从不同维度保障模型检测的准确性与稳定性：

定位损失 box_loss：采用广义交并比（GIoU）计算预测框与真实标定框之间的误差。相较于传统交并比（IoU），GIoU 不仅考量两框重叠面积，还引入了非重叠区域的惩罚机制，能够有效解决预测框与真实框出现包含或分离情况时的优化难题。该值越小，意味着模型预测的病变区域边界与实际位置越贴合，在糖尿病视网膜病变检测中，可精准定位微动脉瘤、出血点等微小病灶。

分类损失 cls_loss：通过计算锚框预测类别与真实病变类别之间的差异，衡量模型对糖尿病视网膜病变类型（如轻度病变、重度病变等）的分类准确性。该损失函数通常采用交叉熵等计算方式，其数值越低，表明模型对病变类别识别的可靠性越高，有助于医生快速判断病情严重程度。

动态特征损失 dfl_loss：作为 YOLOv11 算法的重要创新，DFLLoss 专注于优化预测框与目标框之间的回归精度。在糖尿病视网膜病变检测中，需先将目标框尺寸缩放至特征图尺度（除以对应 stride），再与预测框计算 CIoU Loss，同时结合预测锚框中心点到各边的距离计算回归损失。该机制不仅能自适应调整预测框形状，还能增强模型对病变区域边缘特征的捕捉能力，尤其适用于形态复杂的渗出物、棉绒斑等病变的检测。

图4-2 训练曲线

图4-2展示了 YOLOv11 在糖尿病视网膜疾病诊断模型训练中的关键指标变化情况。上排左侧三张图分别是训练时的定位损失（box_loss）、分类损失（cls_loss）和动态特征损失（dfl_loss），下排对应为验证时的三种损失，可见损失值随训练轮次增加呈下降趋势，表明模型在不断优化。右侧四张图展示评估指标，precision（精确率）、recall（召回率）、mAP50（在 IoU 阈值为 0.5 时的平均精度）和 mAP50 - 95（IoU 阈值在 0.5 - 0.95 时的平均精度），均呈上升态势，说明模型对病变检测的准确性和全面性逐步提升。

图4-3 PR曲线

图4-3可知，在评估糖尿病视网膜疾病诊断模型性能时，PR曲线是展现精确率（Precision）和召回率（Recall）关系的重要工具。本文中，基于YOLOv11训练的模型也生成了相应PR曲线。平均精度均值（mAP）是衡量模型性能的关键指标，它通过以Precision和Recall为轴作图后围成的面积计算得出，“m”代表平均，“@”后的数值为判定正负样本的交并比（IoU）阈值。其中，mAP@0.5指IoU阈值大于0.5时的平均mAP。从训练结果来看，该模型目标检测的mAP@0.5值达到了0.78，这表明模型在识别糖尿病视网膜病变时，具备较好的综合性能，能较为准确地检测出病变目标。

 第五章  糖尿病视网膜疾病系统实现

5.1 需求分析

通过以上步骤，基于 PyQt5 构建了一个功能完备、交互性良好的图形用户界面。用户能够便捷地进行图像、视频、摄像头数据的选择，开展糖尿病视网膜病变检测工作，并查看详细的检测结果，界面布局如图5-1所示。

图5-1 界面布局

5.3 系统实现

5.3.1 图片检测界面实现

在糖尿病视网膜病变检测系统的交互界面中，用户可通过两种方式快速上传检测数据。点击 “打开图片” 按钮，即可从本地文件中选择单张眼底图像进行检测；若需批量处理，点击 “打开文件夹” 按钮，选择包含多张图片的文件夹，系统便能自动识别并批量检测文件夹内的所有图像，大幅提升检测效率。

完成数据上传后，用户可通过界面右侧的目标下拉框，自由选择指定病变类型的检测结果进行显示。例如，聚焦观察微动脉瘤、出血点等特定病变的检测信息，便于针对性分析。而点击 “保存” 按钮后，系统会将检测结果自动存储至 “save_data” 目录下，同时生成对应的 csv 文件，详细记录每张图片的检测信息，包括病变类型、位置坐标、置信度分数等，方便用户后续查阅与数据分析，如图5-2所示。

图5-2 图片检测界面

5.3.2 视频文件检测界面实现

在糖尿病视网膜病变诊断系统的交互操作中，视频检测功能为临床诊断提供了动态分析的便捷途径。用户点击 “打开视频” 按钮，即可从本地文件中选取待检测的眼底视频资料。系统将自动对视频的每一帧进行实时分析，基于 YOLOv11 算法精准识别微动脉瘤、出血点等病变区域，并在视频播放过程中以可视化标注的形式即时呈现检测结果，病变位置、类别及置信度信息一目了然，帮助医生快速捕捉病变动态变化特征。

若需结束视频检测，用户再次点击 “打开视频” 按钮，系统将立即关闭视频播放与检测进程，操作简便高效。检测完成后，点击 “保存” 按钮，系统会自动将完整的视频检测结果存储至 “save_data” 目录下，其中不仅包含标注后的视频文件，还附带详细的检测数据记录，如各帧图像的病变检测信息、时间戳等关键数据。这些数据以结构化的形式保存，既方便医生回溯查看视频检测全过程，也为后续的病情分析与研究提供了详实的数据支撑，充分满足临床诊断与科研分析的双重需求，如图5-3所示。

图5-3 视频检测界面

5.3.3 界面参数设置实现

在糖尿病视网膜病变诊断系统的界面设计中，用户可通过参数设置窗口灵活调整置信度阈值（conf）与交并比阈值（iou）。置信度阈值用于筛选检测结果，仅当目标框置信度高于设定值时，病变检测结果才会显示在界面上，帮助用户过滤低可信度预测。交并比阈值则用于处理重叠检测框，当多个检测框的重叠比例超过该阈值时，系统将自动过滤冗余框，减少重复标注。通过在界面中设置滑动条或输入框，用户可便捷地调整这两个关键参数，平衡检测结果的准确性与完整性，满足个性化诊断需求，提升系统在不同临床场景下的适用性，如图5-4所示。

图5-4 界面参数设置界面

5.3.4 检测结果实现

在糖尿病视网膜病变诊断系统的交互界面中，提供了丰富的结果展示控制与信息查看功能。用户可通过 “显示标签名称与置信度” 选项，自由决定是否在检测图像上标注病变类型名称及对应置信度分数，默认处于勾选状态，确保诊断信息直观呈现。“总目标数” 实时统计画面中检测出的病变目标数量，帮助医生快速掌握病情概况。通过 “目标选择” 下拉框，用户可切换查看单个病变目标的详细信息，包括位置坐标与置信度分数；界面默认展示置信度最高的目标检测框坐标（左上角与右下角），同时支持用户灵活切换，精准定位任意病变区域，为临床诊断提供全面且细致的参考依据，如图5-5所示。

图5-5 检测结果界面

5.3.5 结果导出界面实现

结果导出功能允许检测结果的表格通过点击按钮导出为csv格式文件。同时，图像和视频导出功能支持将标记后的图片、视频及摄像头画面结果导出为avi格式图像文件，方便用户保存和分享检测结果，如图5-6所示。

图5-6 结果导出界面

宁婉莹

2025年6月于长春