深度学习驱动的青光眼筛查：Disc-aware Ensemble Network

"这篇论文提出了一种名为Disc-aware Ensemble Network (DENet)的深度学习模型，专门用于青光眼的自动筛查。DENet利用眼底图像的全局信息和视盘区域特征，通过集成多个子网络的多尺度、多模态分析，以提高青光眼检测的准确性和鲁棒性。该方法不完全依赖传统的杯盘比测量，而是更全面地挖掘图像中的视觉特征。" 青光眼是一种慢性眼病，可导致不可逆的视力损失。现有的自动筛查方法通常首先对眼底图像的主要结构进行分割，然后计算临床测量值，如杯盘比，用于检测和筛查青光眼。然而，这些基于测量的方法高度依赖于图像分割的准确性，且忽视了丰富的视觉特征。因此，论文中提出的DENet旨在通过深度学习技术获取额外的图像相关的信息，直接从眼底图像中进行青光眼的筛查。 DENet的核心创新在于其结构设计。模型由四个深度流组成：全局图像流、分割引导网络、局部视盘区域流和视盘极坐标变换流。全局图像流捕捉整个眼底图像的上下文信息；分割引导网络利用分割信息来辅助特征提取；局部视盘区域流专注于视盘区域的详细特征；而视盘极坐标变换流则从不同的几何角度进一步增强特征表示。这些子网络的输出概率被集成，以生成最终的青光眼筛查结果。 在两个独立的青光眼数据库（SCES和SINDI）上的实验结果显示，DENet的表现优于现有的算法。这表明，通过结合全局和局部信息以及深度学习技术，DENet能够更有效地识别青光眼的早期迹象，从而提高诊断的准确性和效率。这种方法不仅对医疗专业人士提供了一种有效的辅助工具，也为未来的眼科疾病筛查研究提供了新的思路和技术框架。