HiRNet提升手机眼底照相血管分割精度
摘要
研究团队提出一种新型深度学习网络HiRNet,用于分割智能手机拍摄的眼底图像中的视网膜血管。该网络融合CNN与Transformer结构,通过非对称空洞卷积和多路径空洞注意力机制提取局部血管特征与全局上下文信息,并引入分层上下文传输模块优化血管连续性和边界识别。在RVD(手机眼底图像数据集)上,HiRNet达到58.36%的平均敏感度、95.83%准确率、58.39% F1分数和95.16% AUC;在标准数据集DRIVE和CHASE_DB1上也表现优异。
信息来源: PubMed Ophthalmology 发布于 2026年9月30日
要点速览
- HiRNet在手机眼底图像数据集RVD上实现58.36%平均敏感度、95.83%准确率、58.39% F1分数和95.16% AUC,相对最强对比方法的提升有统计学意义。
- 该网络采用混合CNN-Transformer架构,结合非对称空洞卷积、多路径空洞注意力及分层上下文传输模块,提升血管连续性与边界识别能力。
- 在传统眼底数据集DRIVE和CHASE_DB1上,HiRNet敏感度分别为82.73%和82.13%,保持了较好表现。
本站解读
手机拍眼底成本低、携带方便,但图像质量明显不如专业眼底相机,血管分割是后续分析的第一步。HiRNet针对这个难点,结合卷积网络和Transformer,同时捕捉局部血管结构和整体上下文。在手机眼底数据集RVD上,它的平均敏感度为58.36%、准确率95.83%、F1分数58.39%、AUC 95.16%,作者报告敏感度、准确率、F1和AUC相对最强对比方法的提升有统计学意义。
我们的判断是,这是一项有意义但有限的进步。在传统眼底图像数据集DRIVE上,它的敏感度为82.73%,而在手机图像上只有58%左右,说明手机图像质量仍是主要瓶颈,算法改进只能部分弥补。研究只在公开数据集上验证,没有涉及真实筛查场景,离临床使用还需要前瞻性验证和监管审批等环节。
对国内基层筛查而言,低成本的手机眼底方案有现实吸引力,但国内是否有同类产品获批、实际效果如何,目前有待确认。现阶段它不能替代专业眼底检查,如有疑虑可咨询眼科医生。
常见问题
用手机拍眼底照片,现在能靠AI看准血管吗?
还不能完全依靠它。HiRNet在手机眼底数据集上的血管识别敏感度为58.36%,明显低于在传统眼底图像上的80%以上,说明手机图像质量仍是限制。这项研究只在公开数据集上测试,尚未进入临床使用,国内能否应用有待确认,现阶段不能替代专业眼底检查,如有疑虑可咨询眼科医生。
这个新算法比以前的方法强在哪?
主要强在处理画质较差的手机眼底图像。HiRNet结合了卷积网络和Transformer,并通过分层上下文传输模块逐步融合不同分辨率的特征,改善血管连续性和边界识别。在手机图像数据集RVD上,它的F1分数为58.39%、AUC为95.16%,作者报告相对最强对比方法的提升有统计学意义。
延伸阅读
CNN、Transformer与Mamba模型在眼病分类中的性能对比
研究首次将Mamba架构应用于彩色眼底图像的多类别眼病自动分类,并在相同实验条件下对比了6种CNN、Transformer和Mamba模型在Eye Disease Image Dataset(EDID)上的表现。结果显示三类模型整体性能相近;对前三名模型进行logit级集成后略有提升,表明它们捕捉的视觉特征存在部分互补性。研究还指出,结构特征明显的眼病识别更稳定,而特征细微或重叠的类别仍具挑战性。
AI可替代一名医生进行眼底照相初筛
研究回顾性分析6904张眼底彩照,评估AI作为初筛者与一名医生组成双人读片流程的效果。结果显示,对糖尿病视网膜病变和视网膜静脉阻塞,AI-human组合的敏感度(0.974–0.982)和特异度(0.999–1.000)与传统双人人工读片无显著差异,且人均阅片量从2.00–2.10次降至1.02–1.11次;年龄相关性黄斑变性结果因读片组合而异,部分组合敏感度更高(0.916–0.950)。
智能手机离线AI可同步筛查三种眼病
研究评估了一款集成于智能手机眼底相机的离线AI系统(Medios-AI,MAI),在真实场景中同步筛查糖尿病视网膜病变(DR)、青光眼和年龄相关性黄斑变性(AMD)的效果。共纳入193名成人(371只眼),以专业医生对Zeiss Clarus 500图像的盲法判读为金标准。结果显示,MAI对任一视网膜疾病的整体敏感性达99.3%,特异性95.7%,AUC为0.99;对青光眼、AMD、DR的敏感性分别为98.2%、88.9%、84.6%。