灰狼优化U-Net++联合胶囊网络的青光眼病灶精准分割与分级诊断系统

【编辑推荐】针对青光眼早期筛查依赖耗时人工判读的临床痛点，研究人员开发了基于灰狼优化算法(GWO)的U-Net++分割模型与胶囊网络(CapsNet)分类器联用系统。通过动态调参实现视盘/视杯区域95.1%分割精度，其空间层级保持特性显著提升分类性能，为临床提供高效可靠的自动化诊断方案。

　　

在致盲性眼病防控领域，青光眼的早期识别犹如与时间赛跑。传统筛查方法受限于专家依赖性和操作复杂性，常导致诊断延误。这项研究构建了革命性的双阶段智能诊断体系：首先采用经灰狼优化算法(Grey Wolf Optimizer, GWO)强化的U-Net++模型，模拟狼群狩猎策略动态调整参数，精准捕捉眼底图像中视盘(optic disc)与视杯(optic cup)的细微纹理特征；继而通过胶囊网络(Capsule Network, CapsNet)独有的空间关系建模能力，实现对青光眼特征模式的专业级分类。

在ORIGA标准数据集上的测试显示，该系统的分割分类综合准确率达95.1%，较传统模型(MTA-CS/ResFPN-Net等)具有显著优势。特别值得注意的是，其对视盘尺寸变异和图像质量波动的强鲁棒性，在灵敏度(94.3%)、特异度(96.8%)等核心指标上均展现临床级稳定性。这种将生物启发算法与深度学习相结合的创新范式，不仅将诊断效率提升近40倍，其模块化设计更支持云端部署，为基层医疗机构的早筛实践提供可扩展解决方案。