基于杯盘比与神经视网膜缘特征融合的增强型青光眼分类模型研究

青光眼作为全球不可逆致盲的主要病因，其早期诊断面临巨大挑战。为解决传统杯盘比(CDR)单一指标导致的误诊问题，Rabia Pannu团队开发了一种整合CDR与神经视网膜缘比率(NRR)的双特征诊断框架，采用改进的ResUNet架构实现视盘(OD)和视杯(OC)精准分割，在DRISHTI-GS和RIM-ONE数据集上分别达到0.969和0.977的分类准确率。该研究通过引入NRR特征有效捕捉视神经边缘变薄等病理改变，为临床提供更全面的青光眼评估工具。

　　

青光眼被称为"视力的小偷"，这种由眼压升高导致视神经进行性损伤的疾病，全球约有8000万患者深受其害。更令人担忧的是，约50%的青光眼患者在确诊时已发生不可逆视力损伤。传统诊断主要依赖杯盘比(CDR)测量，但临床上面临两大困境：一是约20%健康人群天生具有较大视杯而易被误诊，二是早期青光眼可能仅表现为神经视网膜缘(NRR)区域性变薄而CDR尚未异常。这些挑战催生了多模态智能诊断的需求。

为突破单一指标的局限性，国内研究人员在《Computerized Medical Imaging and Graphics》发表了一项创新研究。该团队构建了融合CDR与NRR的双通道评估体系，通过改进的ResUNet网络实现视盘(OD)和视杯(OC)的精准分割，并采用支持向量机(SVM)完成分类决策。技术路线包含四个关键环节：采用水平/垂直翻转及多角度旋转的数据增强策略；设计含四层编码器的ResUNet变体，使用Dice损失函数优化分割性能；提取CDR和基于ISNT象限的NRR特征；最终通过径向基函数核SVM实现分类。

【图像预处理】
研究对DRISHTI-GS和RIM-ONE数据集进行标准化处理，将图像统一调整为128×128像素并灰度化，通过数学公式I_norm(x,y)=I(x,y)/255实现归一化，有效提升模型收敛速度。

【分割性能】
改进的ResUNet在OD分割中表现优异，DRISHTI-GS数据集上Dice系数(DC)达0.972，显著优于传统U-Net的0.939。对于更具挑战性的OC分割，该模型在RIM-ONE数据集仍取得0.872的DC值，验证其对细微结构的识别能力。

【特征提取】
创新性地提出神经视网膜缘量化方法：通过XOR运算分离OD与OC区域，按ISNT象限（下方Inferior、上方Superior、鼻侧Nasal、颞侧Temporal）计算NRR，公式为(1+σ(R_I,R_S))/(1+σ(R_N,R_T))，健康眼应符合I≥S≥N≥T的厚度规律。

【分类效能】
双特征模型在外部验证集ORIGA和REFUGE2表现突出，OD分割DC分别达0.954和0.975。特别值得注意的是，在识别"大视杯正常眼"这类易混淆病例时，NRR特征使误诊率降低38%。

该研究实现了三大突破：首次将NRR与CDR进行量化融合，构建出更全面的青光眼评估体系；提出的ResUNet变体在多项国际公开测试集上达到SOTA性能；临床验证显示该模型可使早期青光眼检出率提升26%。这些成果为开发可解释的AI辅助诊断系统奠定了算法基础，尤其对医疗资源匮乏地区的筛查工作具有重要实践价值。未来研究可进一步整合视网膜神经纤维层(RNFL)厚度等OCT参数，构建多模态智能诊断平台。