本文介绍了一项关于青光眼筛查的研究，该研究由Rongchang Zhao、Xuanlin Chen、Xiyao Liu、Zailiang Chen、Fan Guo和Shuo Li等作者共同完成，研究团队分别来自中国中南大学计算机科学与工程学院以及加拿大西安大略大学医学影像系。该研究于2019年发表在《IEEE Journal of Biomedical and Health Informatics》期刊上。
青光眼是一种慢性眼病，会导致不可逆的视力丧失。杯盘比（Cup-to-Disc Ratio, CDR）是青光眼筛查中最重要的指标之一，通常通过手动或自动分割视盘（Optic Disc, OD）和视杯（Optic Cup, OC）来测量。然而，由于视杯和神经视网膜边缘区域的重叠，自动获取高精度和鲁棒性的CDR值仍然是一个巨大的挑战。现有的基于分割的方法虽然取得了一定的进展，但由于视杯和视盘边界的不清晰，分割算法的准确性受到限制。因此，本研究提出了一种基于半监督学习的直接CDR估计方法，绕过了中间的分割步骤，直接从眼底图像中回归出CDR值。
本研究提出了一种两阶段的级联方法，包括以下两个主要步骤： 1. 无监督特征表示学习：使用卷积神经网络（Convolutional Neural Networks, CNN）进行眼底图像的特征表示学习。具体来说，研究者设计了一种名为MFPPNet的多尺度卷积网络，该网络由三个主要部分组成：密集连接编码器、特征金字塔池化模块和全连接融合层。密集连接编码器用于提取基本特征，特征金字塔池化模块用于捕捉多尺度的上下文信息，全连接融合层则将多尺度特征融合为固定长度的特征向量。 2. CDR值回归：使用随机森林回归器（Random Forest Regressor）对CDR值进行回归。随机森林通过多个决策树的集成来预测CDR值，每个决策树基于随机选择的训练子集进行训练，最终的CDR值通过所有树的输出取平均得到。
研究在两个数据集上进行了验证：一个是自建的Direct-CSU数据集，包含934张眼底图像；另一个是公开的ORIGA数据集，包含650张眼底图像。实验结果表明，所提出的方法在CDR估计和青光眼筛查方面表现出色： - 在Direct-CSU数据集上，平均CDR误差为0.0563，与手动测量的CDR值之间的相关系数为0.7263。 - 在ORIGA数据集上，平均CDR误差为0.0606，相关系数为0.6842。 - 在青光眼筛查方面，使用估计的CDR值进行诊断时，曲线下面积（Area Under Curve, AUC）达到了0.905，表明该方法在青光眼筛查中具有较高的准确性。
本研究提出了一种直接从眼底图像中估计CDR值的方法，绕过了传统方法中复杂的分割步骤。通过结合无监督特征表示学习和有监督的回归模型，该方法在CDR估计和青光眼筛查方面表现出色。研究结果表明，该方法不仅能够提供高精度的CDR估计，还能有效应用于青光眼的早期筛查，具有重要的临床应用价值。
该研究为青光眼的早期筛查提供了一种低成本、高精度的解决方案，特别是在医疗资源有限的地区具有重要的应用价值。此外，该方法的半监督学习框架可以推广到其他医学图像分析任务中，尤其是在标注数据有限的情况下。