摘要
青光眼是一组由综合性病理表征的眼部疾病，该病症发病后的主要临床表现为视力下降和视野缺损，长期发展可能导致不可逆性失明。通过眼底相机的拍摄可以将被试人的眼底的组织结构反应到图像当中，以帮助完成青光眼的筛查与诊断。眼底图像具有复杂的数据特征，其中视杯、视盘和视觉神经血管的性状表现是临床场景中非常重要的诊断依据。以人工的方式对眼底图像进行分析处理既耗费人力物力，又强依赖于人员的医学素养。因此通过有效的利用深度学习技术对眼底图像进行分析和处理，有助于提高青光眼的诊断效率和正确率。大多数现有的研究以独立的角度对视杯、视盘和视觉神经血管等眼底组织进行图像分割和筛查的研究，并且通过加深网络结构的方式来获取眼底图像数据的深度表达，深度学习模型的黑箱特性同医学图像领域临床下的可解释性需求矛盾进一步扩大。 针对上述本领域研究存在的问题和挑战，在本文中提出了一种基于深度学习的青光眼辅助诊断方法，该方法主要由两部分工作组成。其一是提出了一个多尺度特征融合的多任务学习模型，实现了对视杯、视盘和眼底血管这多类关键特征的一次性分割，该模型主要由三个部分组成，首先，采用侧路多尺度特征卷积模块作为模型输入，以捕获不同尺度的图像细节；其次，使用经过改良的预训练ResNet-50作为特征提取器，以强化模型的特征学习能力；最后，结合跳跃连接策略和多层上采样模块的解码器，以实现高效的特征重建和精确分割。在一些常规数据集上我们对所提出方法做了一定的实验验证，相较于经典的深度学习算法预测精准度有一定的提升。 其二，为了方法对青光眼辅助诊断的泛化能力、精准判断能力和可解释性，通过集成具有针对性特征分割的模型和全局注意力增强的子网的方法提出了一种青光眼辅助诊断集成网络，利用视杯视盘和眼底血管这样的重要诊断依据特征、全局图像特征和注意力增强方法进行眼底图像分类。针对青光眼分类的现有问题，提出了一种三分类的组合网络，将青光眼分类问题划分为三个类别，创新性的将类青光眼病症的分析处理引入到青光眼辅助诊断方法过程之中，并且使用组合网络将深度学习模型进行拆解，输出多样化的结果数据，提高了模型的可解释性和适用性。在我们划分的100个样本的数据集中取得了0.96的准确率和0.93998的kappa值。
NETL