简介：摘要目的通过计算机自动分割方法分析糖尿病视网膜病变(DR)不同分期黄斑中心凹下脉络膜厚度(SFCT)和体积的变化。方法采用横断面研究方法，纳入2016年5月至2017年5月于南京医科大学第一附属医院确诊的2型糖尿病患者64例88眼，其中，男27例32眼，女37例56眼；平均年龄(62.7±7.4)岁；平均糖尿病病程(13.7±7.2)年。所有患者均行最佳矫正视力、裂隙灯显微镜、间接检眼镜、频域光相干断层扫描(SD-OCT)检查。参照早期DR治疗研究组制定的分级诊断标准将患者分为糖尿病无DR(NDR)组28眼、非增生型DR(NPDR)组36眼和增生型DR(PDR)组24眼。同期纳入与患者年龄匹配的正常对照者19人32眼作为正常对照组。采用SD-OCT深度增强成像技术测量和自动分割方法计算受检眼SFCT和脉络膜体积。结果正常对照组、NDR组、NPDR组和PDR组SFCT分别为(277.8±45.3)、(220.9±38.7)、(231.8±26.7)和(252.0±42.2)μm，脉络膜体积分别为(8.8±1.0)、(7.6±1.3)、(8.2±0.9)和(8.7±1.0)mm3，总体比较差异均有统计学意义(F＝14.615、7.711，均P<0.001)；NDR组和NPDR组SFCT和脉络膜体积较正常对照组减小，PDR组SFCT和脉络膜体积较NDR组增大，差异均有统计学意义(均P<0.05)。结论早期DR患者SFCT变薄、脉络膜体积减小，而随DR程度的加重，SFCT逐渐增厚，脉络膜体积增加。

简介：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。