跳转到主要内容
学术研究

高分辨率网络加预处理用于眼底血管分割

PubMed Ophthalmology (2026年1月1日)

摘要

研究提出一个基于高分辨率网络(HRNet)的视网膜血管分割框架,预处理包括灰度转换、伽马校正、CLAHE(限制对比度的自适应直方图均衡)和归一化。研究在两个公开数据集DRIVE和CHASE_DB1上评估,DRIVE上的敏感度为0.8193,CHASE_DB1上的特异度为0.9807。作者称,该框架能提高眼底图像血管分割的精度,对眼科临床决策有潜在价值。

信息来源: PubMed Ophthalmology 发布于 2026年1月1日

要点速览

  • 研究提出基于HRNet的视网膜血管分割框架,配合伽马校正和CLAHE等预处理
  • 在公开数据集DRIVE和CHASE_DB1上评估
  • DRIVE上敏感度0.8193,CHASE_DB1上特异度0.9807
  • 作者称该框架可提高眼底图像血管分割的精度

本站解读

视网膜血管分割,是让计算机把眼底照片里的血管自动描出来。人工描很费时,也容易出错。这项研究用高分辨率网络(HRNet)做分割,并在输入前对图像做灰度转换、伽马校正、CLAHE和归一化,目的是让细小血管更清楚。在公开数据集上,该框架在DRIVE上取得0.8193的敏感度,在CHASE_DB1上取得0.9807的特异度。

这是纯算法研究,只在两个公开数据集上做了评估。摘要没有给出与其他方法比较的具体数字,也没有说明在真实门诊图像和不同相机上的表现,作者的结论是“有潜力”,不是已被临床验证。

我们的判断是,这属于分割算法的改进,对患者就诊没有直接影响,它的意义在于为后续眼底AI工具提供更好的血管图像基础。

常见问题

这项眼底血管分割研究和普通人有什么关系?

关系不大。这是一项算法研究,只在两个公开眼底图像数据集上测试,目的是让计算机更准确地描出血管。它的评估只用了公开数据集,对个人就诊没有直接影响。如有疑虑可咨询眼科医生。

血管分割有什么用?

作者提到,血管分割对眼病的早期诊断和治疗有作用,自动化可以减少人工描绘的耗时和误差。但这项研究本身只是算法层面的改进,还没有证明能改善患者的诊疗结果。如有疑虑可咨询眼科医生。

延伸阅读

学术研究

眼底图像检测视网膜新生血管:DAPR-PSHO深度学习框架

研究者提出DAPR-PSHO深度学习框架,用于从眼底图像检测视网膜新生血管(RNV)。其中DAPSP-ResNet用可变形卷积适应不规则血管结构,并结合局部血管细节与全局视网膜背景;PeriV-Transformer与粒子群漫步优化则用于关注血管周围的细微变化并微调参数。摘要称模型准确率0.98、精确率0.985、召回率0.986,优于现有模型。

#视网膜新生血管#深度学习#眼底图像 +1
PubMed Ophthalmology
学术研究

LCNet:轻量级视网膜血管分割网络

研究团队提出LCNet,一个采用深度可分离卷积的轻量U形网络,加入协同坐标注意力模块和空洞空间金字塔池化模块,并设置四个侧输出层。在DRIVE、STARE、CHASEDB1和IOSTAR四个公开数据集上,全局准确率分别为96.02%、97.95%、97.95%和97.77%。在DRIVE上模型仅有2.65 M参数、21.2 GFLOPs。作者还在带病变的眼底图像和OCTA图像上验证了效果。

#视网膜血管#图像分割#深度学习 +1
PubMed Ophthalmology
学术研究

HOG-CNN模型:公开数据集上识别糖网、青光眼和AMD

研究提出HOG-CNN混合模型,把传统的方向梯度直方图(HOG)特征与预训练网络EfficientNetB3学到的特征结合,用于眼底图像分类。在三个公开数据集上,糖尿病视网膜病变二分类准确率98.5%、AUC 99.2,五分类AUC 94.2;AMD数据集准确率92.8%、AUC 94.5;青光眼数据集准确率83.9%、AUC 87.2。

#眼底图像#深度学习#糖尿病视网膜病变 +1
PubMed Ophthalmology