宁波材料所等 在基于深度学习系统的视网膜图像视盘与视杯区域提取研究中取得进展

青光眼（Glaucoma）是一系列会导致视神经受损，进而造成视力丧失的眼疾，是全球第二大致盲原因（仅次于白内障），也是导致不可逆性失明的首要原因。由于青光眼造成的视神经损伤和视力损失无法逆转，青光眼的早期筛查和诊断对于保持视力至关重要。

临床上，除视野检测和眼压测量外，另一种主要青光眼筛查技术是基于眼底照相的视盘（OD，旧称视神经乳头ONH）评估。该技术利用垂直杯盘比（CDR）、盘直径（ODD）、盘沿（RIM）等青光眼危险因素，在青光眼患者和健康对象之间进行二元分类，适用于群体筛查。对于大规模筛查而言，人工评估不仅不能保证客观，并且耗时、昂贵。

遵循临床实践设计具有医学解释的自动评估方法，视盘（OD）和视杯（OC）的准确分割是关键之处。中国科学院宁波材料技术与工程研究所所属的慈溪生物医学工程研究所智能医学图像处理课题组（iMED中国）与新加坡科技研究局通讯研究院的研究员付华柱合作，提出了一种基于深度学习系统的视网膜图像视盘与视杯区域的提取算法。此方法基于U型深度学习分割结构，增加了多尺度输入、多标签输出等模块，适用于多类别区域分割任务。研究基于视杯与视盘的结构特殊性，引入了极坐标展开操作，极大提高了分割算法的性能，在多个青光眼监测数据库上，都获得了当前最佳性能。

研究人员用极坐标变换（PT）来替代原始眼底图像表达，将椭圆型分割转化为通用的层级分割，增强了位置关系约束，并且将OD和OC分割作为多标签任务。使用包含多尺度U形卷积网络的新型端到端深度网络（M-Net），解决了不平衡数据训练的问题，产生了多标签概率分布图。在深层模型中，多标签损失函数被用来共同约束OD和OC的协同分割。采用M-Net结合PT的方法，研究人员在公开数据集ORIGA（包含650张由专业医生标注了OD和OC的眼底图）上达到了目前最高的分割准确率，OD和OC分割的平均重叠率（IOU）分别为92.9%和77.0%。 此外，仅根据分割结果计算的CDR直接用于青光眼分类，新方法在公开数据集ORIGA（650张）和SCES（1676张）上分别获得了0.85和0.90的AUC（ROC曲线下面积），刷新了这两个数据集上的青光眼分类性能。以上研究表明，M-Net结合PT方法，在视盘视杯分割和青光眼筛查任务方面已优于当前最先进的方法。

相关研究成果发表在IEEE Transactions on Medical Imaging上。

图1.眼底图（左），2D眼底图中的视杯、视盘、盘沿和杯盘比（中）和3D视盘（右）

图2.该研究提出方法的框架图

图3.算法结果对比图