编辑推荐：
为解决高血压患者因视网膜病变未及时发现而导致心脑血管疾病风险增加的问题，研究人员开展基于深度学习的高血压视网膜病变检测与分类研究。利用 Messidor 数据库数据，构建九分类模型，其训练准确率达 99%，对眼科诊断有重要意义。
高血压是一种常见的慢性疾病，它如同隐藏在身体里的 “定时炸弹”，悄无声息地威胁着人们的健康。许多高血压患者会并发高血压视网膜病变（Hypertensive Retinopathy，HR），这一病变会引发多种视网膜血管症状，严重时甚至会导致视力受损。目前，多数高血压引发的心脑血管疾病（如心脏病发作和中风）往往突然发生，原因在于高血压的症状未能及时被发现并治疗。在传统的诊断方式中，眼科医生主要依靠眼底或视网膜图像来诊断高血压视网膜病变，但这种方法存在局限性，对于病变早期或临界阶段的症状，人工识别难度较大，很容易被忽视。而且，以往的研究在高血压视网膜病变的检测上也存在不足，分类不够细致，无法准确区分临界或中间类别，导致诊断准确率难以达到理想状态。因此，开发一种能够早期、精准检测高血压视网膜病变，并对其进行细致分类的方法迫在眉睫。
为了攻克这些难题，研究人员开展了基于深度学习的视网膜图像分析对高血压视网膜病变检测与分类的研究。虽然文中未明确研究机构，但研究成果发表在《Computer Methods and Programs in Biomedicine Update》上。通过这项研究，研究人员成功开发出一种基于 Deep Convolutional Neural Network（DCNN）的九分类模型，该模型在训练过程中展现出了 99% 的高准确率，这一成果对于眼科医生准确判断高血压视网膜病变的阶段，尤其是临界阶段，进而制定合适的治疗方案具有重要意义。
在研究过程中，研究人员运用了多种关键技术方法。数据来源上，使用了开源的 Messidor 数据库中的 1200 张视网膜图像，并将其重新标记为九类高血压视网膜病变数据；同时，收集了来自西努沙登加拉省地区医院的 1200 份患者视网膜图像数据作为辅助。在数据处理方面，先对图像进行裁剪和调整大小，统一为 256×256×3 的 RGB 格式；接着利用 Otsu 分割算法提取视网膜血管，并通过一系列操作获取血管的综合特征和动脉静脉比（AVR）。最后，构建 DCNN 分类模型进行训练和测试，使用留一法进行交叉验证，通过特异性、敏感性、准确率和 F 分数等指标评估模型性能。
研究结果主要从以下几个方面展开：
- 数据集收集：Messidor 数据库包含 1200 张不同分辨率的视网膜图像，为后续研究提供了数据基础。
- 预处理：对原始图像进行裁剪和大小调整，使用双三次插值法将图像统一调整为 1024×1024 像素。通过计算均方误差（MSE）、均方根误差（RMSE）和峰值信噪比（PSNR），发现双三次插值法在图像调整过程中误差最小，能更好地保留图像信息。
- 视网膜图像血管提取：通过检测视盘（Optical Disk，OD）位置确定感兴趣区域（Region of Interest，ROI），对 ROI 区域图像进行一系列处理后进行边缘检测和血管分割。不过，在检测 OD 位置和确定 ROI 区域时，部分图像会因视网膜上某些区域亮度超过 OD 平均亮度而失败，100 张样本图像中有 11 张出现这种情况。
- 评分和标记：通过测量血管直径计算 AVR 值，根据 AVR 值对图像进行标记分类。在 100 张测量的图像样本中，89 张成功测量 AVR 值，并根据计算结果将图像分为九类，同时与专家分类结果进行对比。
- 高血压视网膜病变分类：构建具有四个卷积层的 DCNN 模型，经过多次实验发现该模型在训练 200 个 epoch 后准确率最高可达 99%。通过消融研究对比不同卷积层数、激活函数和输出类别数的模型训练结果，进一步验证了模型的有效性。同时，通过训练和验证阶段的损失和准确率图像，表明模型在训练过程中未出现过拟合现象。
- 结果分析：使用 Messidor 数据库中未参与训练的 30 张图像进行测试，模型的特异性、召回率、准确率和 F 分数分别为 90%、81.82%、90% 和 90%。此外，模型各卷积层能提取不同特征，如第二层提取视网膜血管，第四层提取硬性渗出物、出血和棉绒斑等。与其他研究相比，该研究提出的模型准确率具有一定竞争力。
在研究结论和讨论部分，研究人员成功构建了九分类的高血压视网膜病变分类模型。研究的主要贡献在于应用 AVR 计算算法构建了新的九类数据集，确定了 CNN 模型的架构规范，包括输入大小、深度、各层节点数、传递函数、学习率和 epoch 数等超参数的设置。然而，该研究也存在一些局限性，例如模型性能相对部分其他方法较差，图像分类结果过度依赖 AVR，DCNN 模型在特征提取方面作用有限，且使用的是基于糖尿病视网膜病变数据库重新标记的数据。针对这些问题，后续研究可以从更精准计算 AVR、改进模型算法、扩大和优化数据库等方面展开。总体而言，这项研究为高血压视网膜病变的检测和分类提供了新的思路和方法，虽然存在不足，但为该领域的进一步研究奠定了基础，有望推动高血压视网膜病变诊断技术的发展，提高临床诊断的准确性和效率，从而更好地预防和治疗高血压相关的眼部疾病，保障患者的视力健康。
