二、青光眼

（一）病变标志

青光眼逐渐影响视神经，通常通过3种方法检测：①眼压病理性升高；②异常视野；③通过计算杯盘比评估视神经的损伤。视盘（OD）是视神经离开眼睛的区域，可以分为2个部分，位于视盘中央的视杯是一个明亮的圆形区域，而视杯周围的区域是视神经环盘。当视神经纤维因青光眼而受损时，视盘会在视觉上发生变化，这会导致杯状区域扩大，称为杯状凹陷。

（二）青光眼检测

最初的研究使用视野图像训练DL网络以区分开角型青光眼患者和使用深度前馈神经网络的健康患者，取得了较高的诊断准确率。后来又纳入眼压和角膜厚度测量、视网膜神经纤维层（RNFL）厚度检查等方法，这是由于研究发现青光眼患者视野损害前已有结构性损伤发生，RNFL厚度减少可作为青光眼的早期征兆。此外，用眼底彩色照片和OCT来训练DL模型，并将功能和结构相结合，准确率优于单独分析单一的功能或结构。最近的一项研究基于SD-OCT的RNFL评估和标准自动视野测量的视野评估，构成一组相对简单的结构和功能参数，用作开发青光眼诊断AI模型的可靠参考标准。

尽管降低眼压已被证明在延缓青光眼进展方面具有显著效果，但疾病进展仍然不可避免，目前还没有针对各种形式青光眼制定的优化治疗方案。使用将全基因组数据、生活方式行为和病史纳入预测算法的机器学习可以对未来是否需要侵入性手术或因青光眼失去功能性视力的风险进行早期预测，有助于设立目标眼压和在个案基础上实施最佳治疗策略。

（三）青光眼病变图像分割

杯盘比是广泛使用的青光眼诊断标准。它是垂直杯直径和垂直盘直径的比值。因此，视杯（OC）和视盘（OD）的分割对于青光眼的诊断非常重要。与OD分割相比，OC分割因其微妙的边界而成为一项更具挑战性的任务。此外，OC存在不平衡问题，因为OC区域仅占提取的ROI的极小部分。与血管分割或病变分割等其他分割任务相比，OD/OC分割由于其椭圆形状而更类似于自然图像分割。因此，在此任务中使用了从自然图像分割中提取的几种架构，包括Deeplabv3＋和Mask-RCNN。这种网络在血管分割或病变分割中很少见。此外，与其他两个分割任务相比，OD/OC分割的研究是最完整的，使用了FCN、U-Net、Deeplabv3＋和Mask-RCNN的架构，尝试了多尺度、极坐标变换等方法。