摘要
摘要目的应用多模态深度学习模型对糖尿病视网膜病变（DR）超广角荧光素眼底血管造影（UWFA）图像进行病变程度的自动分级。方法回顾性研究。2015年至2020年于武汉大学人民医院眼科中心就诊并接受UWFA检查的DR患者297例399只眼的798张图像作为模型的训练集和测试集。其中，无视网膜病变、非增生型DR （NPDR）、增生型DR （PDR）分别为119、171、109只眼。通过联合优化CycleGAN和卷积神经网络（CNN）分类器一种图像级监督深度学习模型，定位和评估DR患眼UWFA早期和晚期正位图像中的荧光素渗漏区和无灌注区。使用改进后的CycleGAN将带有病变的异常图像转换为去除病变的正常图像，得到含有病变区域的差分图像；使用CNN分类器对差分图像进行分类以获得预测结果。采用五折交叉检验评估模型的分类准确率。对差分图像显示的标志物面积进行量化分析，观察缺血指数和渗漏指数与DR严重程度的相关性。结果生成图像基本去除了所有病变区域，同时保留了正常血管结构；差分图像直观揭示了生物标志物的分布；热力图标示出渗漏区域，定位基本与原图中病变区域一致。五折交叉检验结果显示，模型的平均分类正确率为0.983。进一步对标志物面积量化分析结果显示，缺血指数和渗漏指数与DR严重程度均呈显著正相关（β=6.088、10.850，P<0.001）。结论构建的多模态联合优化模型可以准确对NPDR和PDR进行分类并精确定位潜在的生物标志物。
出版日期
2022年12月13日（中国期刊网平台首次上网日期，不代表论文的发表时间）
