提出一种改进的U-Net模型(CAMU-Net),以达到精准分割视网膜血管的目的.CAMU-Net模型通过添加残差增强模块来提取区域特征中的重要信息,增强模型对区域特征的了解;通过添加特征细化模块来促进特征的提取,提高新模型的全局特征收集能力;通过添加通道注意力机制模块来捕捉图像特征,精确分割结果;通过引入多尺度特征融合结构来提升模型感知目标边界等细节的能力.在DRIVE数据集上进行消融实验,得出各模块的实际效果,验证各模块对于本模型视网膜血管分割各方面提升的作用;在DRIVE和STARE数据集上和其他主流网络模型进行对比分析,结果表明CAMU-Net模型优于其他模型.

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: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。

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.

近年来,眼科领域人工智能研究进展迅速,但在解决儿童眼科问题方面的应用却鲜少关注.目前,早产儿视网膜病变的自动检测系统诊断准确度已达到专家水平.人工智能已被应用于儿童白内障的病变分类鉴别、白内障术后并发症预测、高度近视进展预测以及斜视和屈光不正的自动检测.此外,人工智能可应用于视觉发育研究、儿童眼底图像血管发育分割以及眼科图像合成等诸多方面.这些技术在儿童眼科领域的应用能显著提高疾病诊断的准确度与治疗效率,同时对临床护理改善具有很大帮助.本文就人工智能在早产儿视网膜病变、儿童阅读障碍、幼儿视力筛查、弱视、斜视、屈光不正、儿童白内障等疾病诊断中的应用、不足之处以及未来的发展方向进行综述.

视网膜血管床面积(RVBA)是在超广角荧光素血管造影(UWFA)图像中分割出的视网膜血管的面积总和,是一个以平方毫米为单位的绝对值,客观性较强.RVBA主要受视网膜血管直径和长度的影响,其增加或减少取决于局部缺血和血管生成之间的"竞争",可以提示视网膜血管形态上的细微改变.作为研究视网膜血管性疾病的新指标,与既往常用的缺血指数(ISI)、无灌注区面积(NPA)等相比,RVBA可能具有更高的稳定性和准确性.目前,RVBA主要被用于评估糖尿病视网膜病变(DR)的病程进展和疗效预后.与正常眼相比,DR眼的视网膜总RVBA更大;在抗血管内皮生长因子(VEGF)治疗后DR眼的视网膜总RVBA下降.这些发现为研究DR中的微血管病变提供了有利支持.本文就RVBA在DR中的应用作一综述,为RVBA在视网膜静脉阻塞(RVO)等其它视网膜血管性疾病中的临床研究提供参考.

目的:基于文献计量学和高影响力论文研究糖尿病视网膜病变人工智能研究的热点和趋势.方法:检索 2012-01-01/2022-12-31 在 Web of Science Core Collection(WoSCC)发表的关于糖尿病视网膜病变人工智能研究的论文,使用CiteSpace软件分析年发文量、国家、机构、论文来源、研究领域、关键词等,并进一步分析高影响力论文.结果:纳入79 个国家关于糖尿病视网膜病变人工智能研究的论文1009 篇,其中 2022 年发文量 272 篇;中国和印度发文量分别为287、234 篇.英国的中心性为 0.31,美国的H指数为48,英国的 3 家机构(伦敦大学、莫菲尔德眼科医院、伦敦大学学院)和埃及的 1 家机构(埃及知识库)H指数均达到 14.该研究领域涉及的主要学科为眼科学、计算机科学和人工智能,2021～2022 年突现关键词是迁移学习、血管分割和卷积神经网络.结论:中国在这一领域发文量最大,美国被认为是该领域的领先国家,埃及知识库和伦敦大学为该领域的领先机构,IEEE Access为该领域最活跃的期刊.糖尿病视网膜病变人工智能研究领域的研究重点已经从人工智能用于疾病检测和分级以辅助诊断转向对其辅助诊断系统的研究,迁移学习、血管分割和卷积神经网络在该领域具有广泛的应用前景.

为了解决U-Net算法在分割眼底图像时无法分割末梢微小血管和无法处理噪声干扰等问题,提出了一种改进的视网膜血管分割算法.首先,在U-Net算法中引入通道强化残差网络,用以优化U-Net架构,使得网络识别更多视网膜微血管.其次,引入空间注意力网络来排除噪声,更好地突出血管.最后,在损失函数的计算中,使用动态权重代替U-Net算法的固定权重,迫使神经网络能够学习一个稳健的特征映射.将改进的算法在DRIVE数据集上进行实验,实验结果表明本文分割算法的准确性和敏感性大幅提高.比原U-Net算法准确性和敏感性分别提高了2.12%和7.51%,比DCU-Net准确性和敏感性分别提高了1.20%和2.55%.