摘要
背景/目标：青光眼是导致不可逆失明的主要原因之一，由于在出现实际损伤之前很少有症状，因此很难早期发现。现有的自动检测方法仍无法捕捉到视力丧失开始前的细微结构变化。本研究提出了一种基于视神经结构和视网膜生物标志物的自动检测框架，旨在实现更早、更一致的青光眼筛查。该框架将分割与分类结合在同一个深度学习流程中，并在ORIGA和REFUGE2眼底图像数据集上进行训练和测试。每张图像都会经过尺寸调整、中值滤波去噪，以及通过直方图均衡化和标准化处理来增强对比度，随后通过中心裁剪和基于强度的定位方法将图像裁剪至视神经区域。方法：一种定制的编码器-解码器CNN用于分割视盘和视杯，从这些分割结果中，我们可以提取出眼科医生早已使用的生物标志物，包括垂直视杯视盘比以及视盘/视杯面积数值。另一种轻量级视觉Transformer则负责学习视网膜上更广泛的整体结构模式，这两种特征集会被融合后输入SoftMax分类器。结果：分割精度非常高：视盘的Dice值为0.9082，视杯的Dice值为0.9994，IoU值分别为0.8351和0.9988，整体平均Dice值为0.9538，平均IoU值为0.9169。分类性能也同样出色，在正常眼和青光眼病例中均表现出较高的F1值、召回率、准确率和精确度。结论：将具有临床意义且已被验证的生物标志物与基于Transformer的全局特征学习方法相结合，使得该框架能够支持自动化的青光眼风险评估，并且在利用视网膜眼底图像进行青光眼检测方面展现了良好的性能。
