摘要
青光眼是导致不可逆视力丧失的首要原因，由于其早期通常没有症状，因此往往难以被发现。早期诊断通常需要通过眼底图像来分析视盘情况。机器学习和深度学习技术已成为自动化这一过程的宝贵工具，但它们在临床应用中仍面临诸多限制。这些挑战包括存在与青光眼评估无关的图像区域，如视网膜血管、黄斑以及背景结构，这些可能会引入无关信息，从而影响分类效果；此外，决策过程也缺乏透明度。本文提出了一种方法，通过仅关注视盘区域来提高青光眼检测的准确性和可解释性。首先，采用一种基于元启发式的策略来精确检测和裁剪视盘，从而生成以视盘为中心、包含标注有青光眼信息的公共数据集。接着使用迁移学习技术，对VGG-19、MobileNet-V2、ResNet-50和DenseNet-161这四种卷积神经网络进行训练。为了解决模型可解释性的问题，还采用了Grad-CAM、Score-CAM和Eigen-CAM等技术，为模型的预测结果提供事后可视化解释。实验结果表明，在按80%-10%-10%的比例划分训练集、验证集和测试集的情况下，DenseNet-161在整合后的公共数据集上取得了最佳性能，测试准确率为0.9369，AUC值为0.9831。通过聚焦视盘区域并运用可解释性技术，该方法能够提供可靠且易于理解的辅助判断，有助于实现更准确、更高效的青光眼筛查。
