青光眼（Glaucoma）是一系列會導致視神經(jīng)受損，進而造成視力喪失的眼疾，是全球第二大致盲原因（僅次于白內(nèi)障），也是導致不可逆性失明的首要原因。由于青光眼造成的視神經(jīng)損傷和視力損失無法逆轉，青光眼的早期篩查和診斷對于保持視力至關重要。

臨床上，除視野檢測和眼壓測量外，另一種主要青光眼篩查技術是基于眼底照相的視盤（OD，舊稱視神經(jīng)乳頭ONH）評估。該技術利用垂直杯盤比（CDR）、盤直徑（ODD）、盤沿（RIM）等青光眼危險因素，在青光眼患者和健康對象之間進行二元分類，適用于群體篩查。對于大規(guī)模篩查而言，人工評估不僅不能保證客觀，并且耗時、昂貴。

遵循臨床實踐設計具有醫(yī)學解釋的自動評估方法，視盤（OD）和視杯（OC）的準確分割是關鍵之處。中國科學院寧波材料技術與工程研究所所屬的慈溪生物醫(yī)學工程研究所智能醫(yī)學圖像處理課題組（iMED中國）與新加坡科技研究局通訊研究院的研究員付華柱合作，提出了一種基于深度學習系統(tǒng)的視網(wǎng)膜圖像視盤與視杯區(qū)域的提取算法。此方法基于U型深度學習分割結構，增加了多尺度輸入、多標簽輸出等模塊，適用于多類別區(qū)域分割任務。研究基于視杯與視盤的結構特殊性，引入了極坐標展開操作，極大提高了分割算法的性能，在多個青光眼監(jiān)測數(shù)據(jù)庫上，都獲得了當前最佳性能。

研究人員用極坐標變換（PT）來替代原始眼底圖像表達，將橢圓型分割轉化為通用的層級分割，增強了位置關系約束，并且將OD和OC分割作為多標簽任務。使用包含多尺度U形卷積網(wǎng)絡的新型端到端深度網(wǎng)絡（M-Net），解決了不平衡數(shù)據(jù)訓練的問題，產(chǎn)生了多標簽概率分布圖。在深層模型中，多標簽損失函數(shù)被用來共同約束OD和OC的協(xié)同分割。采用M-Net結合PT的方法，研究人員在公開數(shù)據(jù)集ORIGA（包含650張由專業(yè)醫(yī)生標注了OD和OC的眼底圖）上達到了目前最高的分割準確率，OD和OC分割的平均重疊率（IOU）分別為92.9%和77.0%。此外，僅根據(jù)分割結果計算的CDR直接用于青光眼分類，新方法在公開數(shù)據(jù)集ORIGA（650張）和SCES（1676張）上分別獲得了0.85和0.90的AUC（ROC曲線下面積），刷新了這兩個數(shù)據(jù)集上的青光眼分類性能。以上研究表明，M-Net結合PT方法，在視盤視杯分割和青光眼篩查任務方面已優(yōu)于當前最先進的方法。