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: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: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 利用眼底图像中硬性渗出物(hard exudates,HE)的亮度与边缘特征,提出一种基于Canny边缘检测算法与形态学重构相结合的HE自动检测方法 ,以解决目前算法灵敏度低、检测结果 中视盘和血管的干扰等问题,对糖尿病视网膜病变(diabetic retinopathy,DR)的自动筛查具有重要意义.方法检测算法包括4个步骤.步骤一,图像预处理,主要包括RGB通道选取、基于形态学的图像对比度增强.步骤二,视网膜图像关键结构的消除,利用基于Gabor滤波的血管分割方法,消除血管边缘对HE检测的影响.将本文视杯分割算法应用在眼底图像红色通道上实现视盘自动分割,消除视盘及其边缘对HE检测的影响.步骤三,利用改进的Canny边缘检测算法和形态学重构方法对HE进行提取.步骤四,基于形态学的图像后处理,消除眼底图像边缘部分假阳性区域.最后利用该算法测试公开数据库中的40幅图像(35幅HE病变图像,5幅正常图像).结果该算法对基于病变的灵敏性(sensitivity,SE)和阳性预测值(positive predictive value,PPV)分别为93.18％和79.26％,基于图像的灵敏性、特异性(specificity,SP)和准确率(accuracy,ACC)分别为97.14％ 、80.00％和95.00％.结论 与其他方法对比,基于Canny边缘检测算法与形态学重构相结合的HE自动检测算法具有较好的可行性.

视乳头形貌的确定有助于眼底类病变的准确诊断,例如视杯和视盘尺寸的相对大小是青光眼疾病病程诊断的重要依据.通常视盘和视杯的大小是通过眼底照片分离视乳头区域并进行测量,这种方法对视乳头的三维形变缺乏全面的描述.为了更加方便准确地获取视杯视盘大小的比值和视乳头的三维形貌,采用明暗恢复形状的计算机视觉方法,通过眼底图像来重建眼底结构的三维形貌.具体步骤包括:通过眼底照相机,得到二维眼底数字图像;采用图像分割方法,得到视杯和视盘区域;估计视盘视杯图像区域的光源照射方向;利用Tsai线性化方法,根据二维数字眼底图像的明暗信息,重建眼底三维结构形貌图.对初步实验结果中视杯和视盘的比计算可得,青光眼患者的杯盘比的比值大于0.6,与临床上对青光眼的判断相吻合.此方法提供新的眼底形貌变形可视化方法,能够清晰、准确地重建出眼底视盘和视杯的三维结构形貌图;可以对视盘视杯几何尺寸和结构进行更全面的描述,为眼底疾病方便和准确地诊断提供新的线索.

视盘的快速定位与边缘分割是计算机辅助诊断的重要研究课题.本研究提出了一种有效的视盘分割新方法,将人眼视觉特性引入眼底图像的分析与处理.本文提出的这一方法充分考虑视盘在眼底图像中的形态特征,通过快速定位感兴趣区域,同时融合视盘的亮度、颜色和空间分布等视觉显著性特征,生成了基于像素距离的显著性图,并应用自适应阈值分割视盘.在此基础上,进一步提出旋转扫描方法,以减少血管对视盘完整性的影响和干扰,最终获得连续完整的边缘轮廓.然后,本课题组在眼底图像数据库Drishti-GS中验证提出的视盘边缘分割方法是否有效.本文研究结果显示,该方法简单快捷,具有良好的性能指标,能达到眼科专家的分割水平,今后或有助于眼科疾病的计算机辅助诊断.

糖尿病视网膜病变 (DR) 是糖尿病严重的并发症, 是视力损害最常见的原因之一.硬性渗出物 (HE) 是DR早期的症状之一, 从眼底图像中对硬性渗出的准确检测是DR筛查的关键步骤.提出一种基于生成对抗网络 (GANs) 的视网膜硬性渗出的自动检测方法.相比一般的卷积神经网络, 生成对抗网络由生成式模型G和判别式模型D组成, 两者之间的博弈与竞争使得生成对抗网络能够更加精确地检测眼底图像中的硬性渗出.首先, 为了避免视盘对后续硬性渗出检测的干扰, 根据血管分布信息与全局灰度信息, 准确定位视盘 (OD) 中心并掩盖视盘;然后, 交替迭代训练生成式模型G和判别式模型D, 得到在验证集上分割效果最佳的模型并保存.所提出的算法在e-ophtha EX数据库上训练和验证, 并进行像素级评估, 获得88.6％、84.3％和86.4％的平均灵敏度、PPV和F-score.在另一个独立的DIARETDB1数据库上进行测试, 获得的平均灵敏度、特异性和准确性分别为100％、96.2％和97.8％.综上所述, 两个视网膜图像数据库的评估结果证明, 生成对抗网络的博弈模式能够有效地检测彩色眼底图像中的硬性渗出.

目的:研究自动定位眼底图像中黄斑中心凹位置的快速方法.方法:设计一种血管主干与视盘定位结合迭代阈值变换定位黄斑中心凹的方法,运用形态学变换与连通域计算提取出视网膜血管主干;在图像中选取图像中灰度最高的1％的点作为视盘感兴趣区(ROI)的候选,筛选出距离血管主干骨架最近的亮区作为视盘ROI,并通过形态学处理、阈值变换、Hough变换等步骤识别出视盘中心与视盘半径;最后在视盘的周围2.5倍视盘半径附近,建立黄斑ROI,并采用迭代阈值方法构建灰度"等高线",确定黄斑中心凹位置中心.使用该方法对医院240张眼底图像进行测试.结果:在240幅眼底图像中,使用该定位方法进行测试,定位黄斑中心凹的准确率达97.1％.结论:实验结果表明,血管主干与视盘定位结合迭代阈值的自动定位黄斑中心凹的方法,可以定位眼底图像中黄斑中心凹的位置,且具有较好的准确性与适用性.

目的:研究视网膜病变眼底图像中视盘的自动定位与分割.方法:收集Messidor数据库中1200张眼底图,其中900张用于训练,300张用于测试;采用2个深度学习网络分别实现视盘在图像上的精确定位与分割,采用准确率、Dice系数、Jaccard系数、敏感性、特异性指标评估结果.结果:视盘定位准确率为100％,视盘分割准确率为97.38％,平均Dice系数、Jaccard系数、敏感性、特异性为0.9194、0.8549、0.9959、0.9700,平均处理时间为0.25 s.结论:深度学习方法能够实现高精度的视盘定位及视盘分割,有助于眼底图像的实时自动分析.

青光眼是不可逆性失明的首要原因,早期症状不明显,容易被忽视,因此青光眼早期筛查尤为重要.杯盘比是临床上用于青光眼筛查的重要指标,所以精准分割视杯视盘是计算杯盘比的关键.本文提出了一种基于全卷积多尺度残差神经网络的视杯视盘分割方法.首先,对眼底图像进行对比度增强,并引入极坐标变换.随后,构造W-Net作为主体网络,用带残差多尺度全卷积模块来替代标准卷积单元,输入端口加入图像金字塔来构造多尺度输入,侧输出层作为早期的分类器生成局部预测输出.最后,提出了一种新的多标签损失函数来指导网络分割.实验采用REFUGE数据集验证,最终视杯、视盘分割的平均交并比分别为0.904 0、0.955 3,重叠误差分别为0.1780、0.066 5.结果 表明,该方法不仅实现了视杯视盘联合分割,而且有效提高了其分割精度.该方法将有助于大规模青光眼早期筛查的推广.