基于可解释深度学习与多类支持向量机的虹膜细胞图像色素斑早期分割与分类研究

本研究针对虹膜细胞图像中色素斑的早期分割与分类难题，提出了一种融合可解释深度学习与多类支持向量机(Multi-class SVM)的创新方法。该研究利用MILE、UPOL和Eyes SUB三个基准数据集验证模型，显著降低了分类错误率，实现了虹膜微色素斑的精确定位，为视网膜疾病的早期诊断提供了高效可靠的自动化解决方案。

　　

全球范围内视网膜疾病严重影响人类健康，早期诊断与干预可有效阻止疾病进展并预防可避免性失明。虹膜色素斑分割技术因虹膜细胞图像存在离轴虹膜、噪声和镜面反射等问题而极具挑战性。当前主流虹膜分割方法多基于边缘数据和非细胞图像，而虹膜表面色素斑的大小与眼综合征发展呈正相关。在非配合条件下采集的虹膜图像常伴有负噪声干扰，导致精确分割困难。传统诊断方法因需高度专业人员和严格环境而成本高昂、耗时漫长。

本研究创新性地整合可解释深度学习模型与多类支持向量机(Multi-class Support Vector Machine)，实现对虹膜细胞图像的早期色素斑分割与分类分析。实验采用MILE、UPOL和Eyes SUB三个权威数据集验证所提方法。结果表明：该模型在标准评估指标上显著优于文献报道方法，分类错误率显著降低；所提参数体系对虹膜表面微色素斑的定位表现出极高有效性，为视网膜疾病的自动化早期筛查提供了可靠的技术路径。