高度近视的人工智能应用研究

一般来说，高度近视的人工智能应用研究主要可以分为分类和分割两个方面。分类指的是对指定的眼底彩照进行高度近视的自动诊断、自动筛查和分级；分割则指的是在眼底彩照中发现并勾勒出高度近视相关的病灶特征。

尽管近年来在眼底疾病的智能诊断领域已经涌现出大量研究成果，但对于近视或高度近视的相关研究还寥寥无几。最早出现的高度近视智能诊断系统是2010年Liu等提出的一种名为PAMELA的系统，通过伴视盘萎缩（parapapillary atrophy，PPA）来检测病理性高度近视，并自然地评估病理性高度近视的视网膜眼底图像。他们利用机器学习技术中的支持向量机提取眼底图像中的纹理特征，判断眼底图像中是否存在病理性高度近视。Lee等则进一步改进了PAMELA系统中基于纹理分析和灰度分析的两个模块，然后使用决策引擎融合这两个模块各自的结果，获得整体分析结果。根据新加坡眼科研究所的一批在眼底彩照上进行的样本实验结果，他们在病理性高度近视的诊断上获得了90%的敏感性和94%的特异性，总体准确率高达92.5%。然而，与较为简单的支持向量机相比，深度学习算法能够提取更加抽象的高维特征，从而大幅度提高准确率，更准确地区分病理性高度近视和非病理性高度近视。如今大多数图像分类方法都基于深度学习中的卷积神经网络模型。PALM眼底彩照病理性高度近视挑战赛的第一项任务就是对病理性高度近视定性分类，来自全球各地的参赛队伍使用不同的卷积神经网络模型对患有病理性高度近视的风险进行了预测。Zhang等开发了一种深度学习算法，除了视网膜眼底彩照，他们还考虑了遗传因素、人口统计学信息和临床信息。他们提出了一种用于识别病理性高度近视的计算机辅助诊断方法，并命名为PM-BMII。该方法基于不同模态的数据集合，即视网膜眼底彩照、临床数据和遗传相关数据，能够自动检测病理性高度近视。在多模态数据下，该方法的曲线下面积（AUC）值为88%。来自谷歌的研究人员Varadarajan等在卷积神经网络中引入注意力机制，训练了一种深度学习算法，对屈光度不正进行预测，并通过注意力热图表明视网膜中央凹区域是对预测贡献度最大的区域之一。Dai等设计了具有两个分支的CNN模型，一个分支用于区分正常和异常眼底图像，另一个分支用于区分单纯性高度近视和病理性高度近视图像，但该模型需要进行两步判断，在预测速度上慢于端到端的直接分类方法。

高度近视患者眼底中常出现伴视盘萎缩病变。伴视盘萎缩是高度近视患者眼底的典型病变，也是高度近视诊断的重要依据。因此，类似伴视盘萎缩的病灶分割对于高度近视的诊断和治疗具有十分重要的意义。伴视盘萎缩的大小和位置不固定，若扩张到黄斑区，将会对患者的视力造成极大的损害，使患者连近处的物体也难以看清。一般根据伴视盘萎缩的边缘来判定其是否仍在扩张，清晰的边缘意味着伴视盘萎缩很可能已经停止扩张；边缘模糊不规则，则表明伴视盘萎缩还在扩张。目前有关伴视盘萎缩分割的研究不多，网上的数据集十分有限，人工标注需要耗费非常多的时间和精力，且标注精度容易受人的主观因素影响。此外，早期的伴视盘萎缩呈月牙形，在视盘附近，面积较小，与视盘的亮度差异不明显，分割时容易受到视盘的干扰。同时，高度近视患者常伴有豹纹状眼底，这是视网膜被拉伸的结果，暂时无法通过手术或者特效药治疗。可透见的血管会影响病灶区域的识别和分割，降低分割精度。伴视盘萎缩的扩张没有明显的规律，不同患者眼底伴视盘萎缩的形状、大小差异大。伴视盘萎缩内有明显的色素沉积，当其扩张到一定程度时，会改变眼底形态。当伴视盘萎缩还在扩张时，其边缘是模糊不清的，难以提取相关的轮廓信息。由此可见，多种因素制约着伴视盘萎缩分割网络的研究。

针对伴视盘萎缩的自动分割和量化研究工作在2010年左右开始出现。Lu等提出了伴视盘萎缩的计算机量化方法。该方法利用RGB图像的红色和蓝色通道，最大限度地提取伴视盘萎缩的信息特征，同时降低血管等因素的干扰。采用扫描滤波、阈值分割、区域生长和带有形状约束的改进Chan-Vese模型对伴视盘萎缩进行了分割和量化分析。实验结果显示，该方法能够自动检测伴视盘萎缩区域，平均精度达到了92.5%，与真实标签的相关系数达到了0.98。由于伴视盘萎缩在视盘周围，其分割受视盘干扰较大，如何区分伴视盘萎缩和视盘也是研究的一个难题。Srivastava等提出了一种用于视盘分割的深度学习网络，它可以通过特征学习来区分伴视盘萎缩和视盘。同时采用基于特征的图像增强方法，分割结果的平均重叠误差为9.7%，低于其他分割算法。Zhang等提出了一种将置信图与条件随机场模型相结合的伴视盘萎缩自动分割算法，优化了神经网络初始分割结果。该网络使用整体嵌套边缘检测得到置信图，利用置信度映射构造条件随机场模型，并采用最大后验推理进行分割，再通过后处理进一步细化分割结果。该方法具有较好的鲁棒性，将平均F-score从0.57提高到了0.67，提升了分割效果。Feng等开发了一种新的伴视盘萎缩分割算法，网络框架以整体嵌套边缘检测为基础。首先，对数据集进行预处理，提取感兴趣区域并进行归一化处理。其次，端到端模型提取丰富的层次特征，并对侧输出进行深度监督。再次，将新的平衡参数加入损失函数中分割病灶区域。最后，通过全卷积神经层生成全局映射图。实验表明，该模型在成人和儿童眼底彩照数据集上都取得了不错的效果，成人测试集（200张）的平均F-score为0.791 0，儿童测试集（50张）的平均F-score为0.747 8。