基于OCT影像数据的慢性青光眼早期辅助诊断关键技术研究

The visual impairment caused by glaucoma is irreversible, early diagnosis is beneficial to slow down the course of the disease and maintain the existing vision. Optical Coherence Tomography (OCT) has obvious advantages in the auxiliary diagnosis of glaucoma. However, the accuracy of diagnosis is still difficult to satisfy the clinical needs. With consideration of the essential reasons that influence the accuracy of automatic diagnosis, this proposal aims to explore three key problems to improve the effect of diagnosis: (1) How to construct a retina layer segmentation model with structural prior constraints, improving the segmentation accuracy by combining structure specificity; (2) How to establish the auxiliary diagnosis model for glaucoma based on deep learning under the guidance of the clinical indicators, improving the representability of learned features; (3) How to understand the automatic learned features clinically, explore new bio-markers and deepen the understanding of the pathogenesis of glaucoma. The research of this project is expected to form a more systematic system for early diagnosis of glaucoma based on OCT images. At the same time, the problems to be solved are expected to provide new solutions for the auxiliary diagnosis of other eye diseases.

青光眼（Glaucoma）所带来的视力损伤是不可逆的，早期诊断有利于减缓病程、维持现有视力。光学相干断层扫描（Optical Coherence Tomography, OCT）在青光眼辅助诊断方面具有优势，但是，诊断的准确性仍难以满足临床需求。本项目拟针对OCT图像中影响诊断准确性的本质原因，探索提升辅助诊断效果的三个关键问题：(1) 如何建立基于结构先验约束的视网膜各层分割模型，有效结合视盘凹陷的结构特异性，提高分割的准确性；(2) 如何建立临床指标指导下的基于深度学习的青光眼辅助诊断模型，提高学习特征的区分性，并提高诊断的准确性；(3) 如何对自动学习特征进行临床理解，探索新的临床指标，进而加深对青光眼发病机制的理解。本项目的研究成果有望形成较为系统的基于OCT图像的青光眼早期辅助诊断技术体系。同时，所研究的问题如得到解决，有望为其他眼病的辅助诊断提供新的解决思路。

青光眼以慢性为主，由于其不可逆性，早发现早治疗，阻止或者延缓视野的进一步丢失，对于保存患者一定生活质量的视觉功能至关重要。其中，视网膜各层的分割、以及诊断模型的建立、分析等工作是其中较为关键的步骤，本项目针对相关工作开展了系统的研究：（1）研究了注意力丰富信息网络的分割方法、基于感知难度空间注意力约束的双分支网络等，用来解决视网膜各层的分割中小样本和复杂样本情况；（2）针对青光眼的诊断，提出了基于区域级别特征点的识别方法和基于优化匹配的识别方法，用以解决特征的对齐问题；（3）对识别模型的关联匹配信息进行分析和提取，研究了基于特征点匹配关联信息、融合关联信息的识别模型，有助于诊断模型的临床理解。..项目基本上按照预定的计划顺利开展，实现了预定的研究目标。依托本项目，发表论文8篇，其中CCF B类论文1篇，CCF C类论文1篇，文章均被SCI收录，获得发明专利授权8项。获得山东省科技进步二等奖1项（项目负责人为第六完成人）、培养硕士研究生4人。项目研发的部分核心算法已在合作医院进行推广、应用。