目的:观察分析基于深度学习的眼底图像视盘定位与分割方法的准确性。方法:在ORIGA数据集上训练和评估基于深度学习的视盘定位和分割方法。在深度学习的Caffe框架上构建深度卷积神经网络（CNN）。采用滑动窗口将ORIGA数据集的原图切割成许多小块图片，通过深度CNN判别各个小块图片是否包含完整视盘结构，从而找到视盘所在区域。为避免血管对视盘分割产生影响，在分割视盘边界之前去除视盘区域的血管。采用基于图像像素点分类的视盘分割深度网络，实现眼底图像视盘的分割。计算基于深度学习的眼底图像视盘定位与分割方法的准确性。定位准确率＝T/N，T代表视盘定位正确的眼底图像数量，N代表总共用于定位的眼底图像数量。采用重叠误差（overlap error）比较视盘分割结果与实际视盘边界的误差大小。结果:基于深度学习的眼底图像视盘定位方法其定位准确率为99.6%；视盘分割平均重叠误差为7.1%；对青光眼图像和正常图像的平均杯盘比的计算误差分别为0.066和0.049；每幅图像的视盘分割平均花费10 ms。结论:基于深度学习的眼底图像视盘定位方法能快速并准确地定位视盘区域，同时也能够较为精准地分割出视盘边界。

目的:观察增生性糖尿病性视网膜病变(PDR)牵引的孔源性视网膜脱离的手术方法及手术效果。方法:回顾性病例系列研究。收集聊城爱尔眼科医院2019年12月至2020年12月的30例(30眼)PDR合并牵引的孔源性视网膜脱离的临床资料，均采用标准的三通道微创玻璃体切除术，在高清的全视网膜镜及氙光照明系统下，完全切除玻璃体及其积血后以黏弹剂辅助单手剥膜或吊灯下双手剥膜等技术将PDR膜分割分层剥除，切开或切除僵硬及挛缩的视网膜，对严重的前部增生性玻璃体视网膜病变行周边视网膜的360°切开或切除及广泛视网膜光凝；术后随访6~12个月，观察视力及眼底情况。结果:患者的纤维血管膜均采用了经典的分割及分层处理，14眼行部分视网膜切开或切除；2眼行周边视网膜的360°切开或切除；均填充了硅油。术后24眼(80.00%)视力改善。结论:玻璃体切除术中应用黏弹剂辅助单手剥膜或吊顶灯双手剥膜技术治疗合并PDR牵引的孔源性视网膜脱离效果良好。

目的：:利用深度卷积神经网络（DCNN）对早产儿视网膜病变诊断分期中1~3期病变进行自动分类诊断。方法：:回顾性研究。选取2019年1月至2020年12月在嘉兴市妇幼保健院出生的1 885例早产儿所采集的12 219张眼底图像，构建了早产儿视网膜眼底图像数据集。基于分割出眼底图像的视网膜血管以及分界线或嵴，计算出感兴趣区域（ROI），并从ROI分割图中提取特征，采用五折交叉验证法训练分类器，对早产儿视网膜病变中1~3期进行自动分类诊断。在测试集上对DCNN进行性能评估，并与临床诊断结果进行一致性分析。结果：:本系统对ROP 1~3期及无ROP的诊断准确率达到了98%。在诊断无ROP图像时，其敏感度和特异性分别达到了0.975 7和0.975 6；对ROP 1期、2期和3期图像的诊断，敏感度分别为0.922 1、0.933 1和0.910 2，特异性则分别为0.983 7、0.988 6和0.992 8。DCNN的诊断结果与临床诊断结果的Kappa一致性为0.905 9。结论：:基于DCNN的早产儿眼底病变分期诊断系统，使用从ROI分割图中提取的特征训练分类器，能够对ROP1~3期病变眼底图像进行较高准确率的自动辅助诊断。

目的:基于人工智能技术对视网膜血管形态学参数进行全自动定量测量，分析我国北方50岁以上人群视网膜血管参数及分布特征。方法:采用横断面研究方法，纳入2011年1月至2021年12月就诊于北京同仁医院的50岁以上无眼底病的患者1 842例，对纳入的受试者进行标准化问卷调查、抽血和眼科检查；收集各受试者任意一眼以视盘为中心的彩色眼底照片，采用基于深度学习的语义分割网络ResNet101-Unet构建血管分割模型，进行全自动视网膜血管参数定量测量，主要测量指标包括视网膜血管分支夹角、血管分形维数、血管平均管径和血管平均弯曲度。比较不同性别间各视网膜参数的差异。采用多元线性回归分析法分析最佳矫正视力、眼压、眼轴长度等眼部因素和性别、年龄、高血压、糖尿病、心血管疾病等全身因素是否是各视网膜血管参数的影响因素。结果:模型对于血管分割和视盘分割的准确度均高于0.95。1 842例受试者血管分支夹角为(51.023±11.623)°；血管分形维数为1.573(1.542，1.592)；血管平均管径为64.124(60.814，69.053)μm；血管平均弯曲度为(0.001 062±0.000 165)°。男性血管分支夹角大于女性，血管平均管径和血管平均弯曲度小于女性，差异均有统计学意义(均 P<0.05)。全身因素多元线性回归分析结果显示，患有心血管疾病的人群较无心血管疾病的人群血管平均管径增大1.142 μm( B＝1.142， P＝0.029，95% CI：0.116～2.167)；血管平均弯曲度与高血压( B＝3.053×10 －5， P＝0.002，95% CI：1.167×10 －5～4.934×10 －5)和饮酒量( B＝1.036×10 －5， P＝0.014，95% CI：0.211×10 －5～1.860×10 －5)呈正相关，与高脂血症呈负相关( B＝－2.422×10 －5， P＝0.015，95% CI：－4.382×10 －5～－0.462×10 －5)。眼部因素多元线性回归分析结果显示，眼轴长度每增加1 mm，血管分形维数减小0.004( B＝－0.004， P<0.001，95% CI：－0.006～－0.002)，血管平均管径减小0.266 μm( B＝－0.266， P＝0.037，95% CI：－0.516～－0.016)，血管平均弯曲度减小－2.45×10 －5°( B＝－2.45×10 －5， P<0.001，95% CI：－0.313×10 －5～－0.177×10 －5)。BCVA每增加1.0，血管分支夹角增大3.992°( B＝3.992， P＝0.004，95% CI：1.283～6.702)，血管分形维数增大0.090( B＝0.090， P<0.001，95% CI：0.078～0.102)，血管平均管径减小14.813 μm( B＝－14.813， P<0.001，95% CI：－16.474～－13.153)。 结论:成功构建视网膜血管分割模型。视网膜血管参数与性别、年龄、系统性疾病和眼部因素存在关联。

目的:对1个X连锁视网膜劈裂症（XLRS）家系进行基因分析，观察其 RS1基因的突变位点。 方法:回顾性临床研究。一个4代26人的XLRS家系中3例患者及12名家系成员纳入研究。其中，男性8名，女性7名。所有受试者均行眼科常规检查；3例患者中，行光相干断层扫描（OCT）检查2例。抽取所有受试者的外周静脉血，提取全基因组DNA，Panel测序法筛选潜在致病基因。利用软件工具对突变进行保守性分析、致病性分析和蛋白结构预测。并根据美国医学遗传学与基因组学学会（ACMG）指南分析基因突变的致病性。结果:先证者，3岁。OCT检查，双眼黄斑区视网膜内核层隆起囊腔样改变，被垂直或斜形桥状组织分割。先证者舅舅，32岁。OCT检查，左眼黄斑区萎缩；右眼黄斑区囊样隆起，被垂直或斜形桥状组织分割。先证者父母及其他家系成员10名眼底检查均未见异常。Panel测序结果显示，先证者（Ⅳ3）及2例患者（Ⅱ1、Ⅲ8） RS1基因第5外显子上存在c.361C>T/p.Q121X半合子突变；其母亲为该基因杂合突变携带者，父亲无变异。该突变基因导致RS1蛋白提前终止，由原来编码224个氨基酸突变为120个氨基酸的截短蛋白。眼底检查正常的10人中，正常者6人；该基因突变携带者4人，均为女性。蛋白序列同源性分析结果显示，该突变位点在12种哺乳动物中均高度保守。RS1蛋白三维结构分析结果显示，突变后的蛋白C端氨基酸序列缺失>50%。ACMG指南分析结果显示，该突变为致病性突变。 结论:该XLRS家系 RS1基因突变位点c.361C>T/p.Q121X为XLRS新的突变位点。

目的:探索基于深度学习方法自动分割彩色眼底图像上糖尿病患者视网膜渗出特征的可行性。方法:应用研究。基于印度糖尿病视网膜病变图像数据集（IDRID）模型的U型网络，将深度残差卷积引入到编码和解码阶段，使其能够有效提取渗出深度特征，解决过拟合和特征干扰问题，同时提升模型的特征表达能力和轻量化性能。此外，通过引入改进的上下文提取模块，使模型能捕捉更广泛的特征信息，增强对视网膜病灶的感知能力，尤其是提升捕捉微小细节和模糊边缘的能力。最后，引入卷积三重注意力机制，使模型能自动学习特征权重，关注重要特征，并从多个尺度提取有益信息。通过查准率、查全率、Dice系数、准确率和灵敏度来评估模型对彩色眼底图像上糖尿病患者自动视网膜渗出特征的检测与分割能力。结果:应用本文研究方法后，改进模型在IDRID数据集上的查准率、查全率、相似系数、准确率、灵敏度、分别达到81.56%、99.54%、69.32%、65.36%、78.33%。与原始模型相比，改进模型的查准率和Dice系数分别提升了2.35%和3.35%。结论:基于U型网络的分割方法能自动检测并分割出糖尿病患者眼底图像的视网膜渗出特征，对于辅助医生更准确地诊断疾病情况具有重要意义。

目的:基于深度卷积神经网络（DCNN）方法自动测量彩色眼底像上全局和局部豹纹分布密度。方法:应用研究。将2021年5~ 7月于山东第一医科大学附属青岛眼科医院北部院区行近视手术的患者514例1 028只眼的1 005张彩色眼底像建立人工智能（AI）数据库。采用RGB颜色通道重标定方法（CCR算法）、基于Lab颜色空间的CLAHE算法、多重迭代照度估计的Retinex算法、具有色彩保护的多尺度Retinex算法对图像进行预处理。对比观察上述4种图像增强方法以及使用Dice损失、边缘重叠率损失和中心线损失对豹纹分割模型效果的影响。建立眼底豹纹分割模型识别全图范围内豹纹结构区域；构建眼底组织结构检测模型用于视盘及黄斑中心凹定位。计算视野范围内后极部豹纹密度（FTD ）、黄斑区豹纹密度（MTD）、视盘区豹纹密度（PTD ）。结果:应用CCR算法图像预处理和训练损失组合后，豹纹分割模型的Dice系数、准确率、灵敏度、特异性、约登指数分别达到0.723 4、94.25%、74.03%、96.00%和70.03%。模型自动测量的FTD、MTD、PTD值与人工标注测量值平均绝对误差分别为0.014 3、0.020 7、0.026 7，均方根误差则分别为0.017 8、0.032 3、0.036 5。结论:基于DCNN分割和检测方法能自动测量近视患者眼底全局和局部区域的豹纹分布密度，可以更准确地辅助临床监测和评估眼底豹纹改变对近视发展的影响。

目的:基于深度学习的双模态眼底照相机研究视网膜分支静脉阻塞（BRVO）患眼视网膜血氧饱和度及血管形态变化。方法:前瞻性研究。2020年5~ 10月于温州医科大学附属眼视光学院检查确诊的BRVO患者31例31只眼（BRVO组）和性别年龄匹配的健康志愿者20名20只眼（对照组）纳入研究。BRVO组31例31只眼中，既往接受1次玻璃体腔注射抗血管内皮生长因子药物治疗20例20只眼，未接受任何治疗11例11只眼；并据此分为治疗组、未治疗组。应用双模态眼底照相机采集视网膜图像；利用深度学习方法在黄斑感兴趣区域（MROI）分割动静脉；使用光密度比计算对照组受检眼、BRVO组患者受累侧和非受累侧视网膜血氧饱和度（SO 2 ），并计算MROI内动静脉直径、曲率、分形维数及密度。组间定量资料比较采用单因素方差分析。 结果:BRVO组患眼、对侧眼及对照组受检眼MROI内动脉SO 2 （SO 2-A）比较，差异有统计学意义（ F=4.925， P<0.001 ）；静脉SO 2 （SO 2-V）比较，差异无统计学意义（ F=0.607， P=0.178 ）。未治疗组患者受累侧、非受累侧MROI内SO 2-A较对照组升高，差异有统计学意义（ F=4.925， P=0.012）；SO 2-V比较，差异无统计学意义（ F=0.607， P=0.550）。治疗组受累侧、非受累侧和对照组受检眼MROI内SO 2-A、SO 2-V比较，差异均无统计学意义（ F=0.159、1.701， P=0.854、0.197）。治疗组、未治疗组受累侧和对照组受检眼MROI内SO 2-A、SO 2-V比较，差异无统计学意义（ F=2.553、0.265， P=0.088、0.546 ）。未治疗组、治疗组患眼和对照组受检眼动脉直径、动脉曲率、动脉分形维数、静脉分形维数、动脉密度、静脉密度比较，差异均有统计学意义（ F=3.527、3.322、7.251、26.128、4.782、5.612， P=0.047、0.044、0.002、<0.001、0.013、0.006）；静脉直径、静脉曲率比较，差异无统计学意义（ F=2.132、1.199， P=0.143、0.321 ）。 结论:BRVO患者SO 2-A较健康眼升高，抗血管内皮生长因子药物治疗后降低；SO 2-V不变。

目的:利用深度学习技术实现对不同区域豹纹状眼底（FT）的自动分割、量化及分级，分析新型量化指标与FT等级和全身及眼部各参数的相关性。方法:横断面研究。数据来源于“北京眼病研究”（一项以人群为基础的纵向研究），于2001年整群抽取北京市海淀区5个社区及大兴区3个农村社区的40岁及以上人群进行调查，并于2011年对该人群进行随访。本研究纳入2011年接受第2个5年随访的50岁以上人群，仅纳入右眼数据。将以右眼黄斑为中心的彩色眼底图像输入豹纹分割模型及黄斑检测网络，以黄斑中心凹为原点，内圈直径为1 mm，中圈直径为3 mm，外圈直径为6 mm，实现眼底的精细分割，从而得出各区域FT密度（FTD）及FT等级。进一步对各区域FTD及不同FT等级间各眼部及全身参数进行差异性分析。按照等效球镜度数（SE）将受试眼分为近视眼（SE<-0.25 D）、正视眼（-0.25 D≤SE≤0.25 D）及远视眼（SE>0.25 D）3种屈光类型。根据眼轴长度，将受试眼分为眼轴长度<24 mm、24~26 mm及>26 mm 3种眼轴类型，对不同类型的FTD进行分析。采用单因素方差分析、Kruskal-Wallis检验、Bonferroni检验及Spearman相关分析等统计学分析方法。结果:研究共纳入3 369名受试者（3 369只眼），年龄为（63.9±10.6）岁；其中女性1 886名（56.0%）男性1 483名（64.0%）。所有受试眼整体FTD为0.060（0.016，0.163）；内圈FTD为0.000（0.000，0.025）；中圈FTD为0.030（0.000，0.130）；外圈FTD为0.055（0.009，0.171）。单因素分析结果表明，各区域FTD与眼轴长度（整体： r=0.38， P<0.001；内圈： r=0.31， P<0.001；中圈： r=0.36， P<0.001；外圈： r=0.39， P<0.001）、黄斑中心凹下脉络膜厚度（SFCT）（整体： r=-0.69， P<0.001；内圈： r=-0.57， P<0.001；中圈： r=-0.68， P<0.001；外圈： r=-0.72， P<0.001）、年龄（整体： r=0.34， P<0.001；内圈： r=0.30， P<0.001；中圈： r=0.31， P<0.001；外圈： r=0.35， P<0.001）、性别（整体： r=-0.11， P<0.001；内圈： r=-0.04， P<0.001；中圈： r=-0.07， P<0.001；外圈： r=-0.11， P<0.001）、SE（整体： r=-0.20； P<0.001；内圈： r=-0.19， P<0.001；中圈： r=-0.20， P<0.001；外圈： r=-0.20， P<0.001）、裸眼视力（整体： r=-0.18， P<0.001；内圈： r=-0.26， P<0.001；中圈： r=-0.24， P<0.001；外圈： r=-0.22， P<0.001）、体质量指数（整体： r=-0.11， P<0.001；内圈： r=-0.13， P<0.001；中圈： r=-0.14， P<0.001；外圈： r=-0.13， P<0.001）均有相关性。进一步多因素分析结果显示，不同区域FTD与眼轴长度（整体： β=0.020， P<0.001；内圈： β=-0.022， P<0.001；中圈： β=0.027， P<0.001；外圈： β=0.022， P<0.001）、SFCT（整体： β=-0.001， P<0.001；内圈： β=-0.001， P<0.001；中圈： β=-0.001， P<0.001；外圈： β=-0.001， P<0.001）及年龄（整体： β=0.002， P<0.001；内圈： β=0.001， P<0.001；中圈： β=0.002， P<0.001；外圈： β=0.002， P<0.001）均有相关性。不同屈光类型受试眼的整体（ H=56.76， P<0.001）、内圈（ H=72.22， P<0.001）、中圈（ H=75.83， P<0.001）及外圈（ H=70.34， P<0.001）FTD分布均有统计学差异。不同眼轴长度受试眼的整体（ H=373.15， P<0.001）、内圈（ H=367.67， P<0.001）、中圈（ H=389.14， P<0.001）及外圈（ H=386.89， P<0.001）FTD分布均有统计学差异。进一步比较各级别FT受试受试者全身及眼部参数差异，在所有参数中，眼轴长度（ F=142.85， P<0.001）与SFCT（ F=530.46， P<0.001）差异有统计学意义。 结论:利用深度学习技术可实现眼底不同区域FT的自动分割及量化，并可实现FT的初步分级。不同区域FTD与眼轴长度、SFCT及年龄显著相关，年龄较大、患有近视眼及眼轴较长的人群眼底各区域FTD更重，豹纹等级更高。

针对视网膜图像末端微小血管对比度低、分割不精确问题,提出一种融合多层次残差与三空间注意力机制的U型网络用于视网膜眼底血管分割.该网络在编码部分为了减少图像特征的丢失,引入原始图像后添加多层次残差模块.此外,为防止网络深层产生梯度弥散与特征数据冗余问题,在残差模块中进一步加入批量归一化与Dropout功能.在解码部分,采用三空间注意力机制来赋予类原始图像、下采样图像和上采样图像特征不同的权重,以增强特征纹理和位置信息,并实现微小血管的精确分割.实验结果显示,在公开的彩色眼底图像数据集上,与现有算法相比,本文算法的准确率、特异性、灵敏度和AUC分别为0.985、0.991、0.829和0.985,与金标准分割结果进行对比得到的血管图具有重要的临床参考价值.