编辑推荐：
青光眼检测方法采用ShuffleFA-Net模型，结合Shuffle Attention Network、Taylor级数与ANFIS系统，通过ROI提取、CLAHE增强、SimpleCNN-UNet分割及HOS等特征分析，在K=8时实现94.0%准确率。
Srividya Kotagiri | Suresh Kumar Krishnamoorthy | Vijay Anand Mahadevan | Suganthi Nagarajan
计算机科学与工程-人工智能与机器学习系，GMR技术学院（GMRIT）——被认定为大学，Rajam，安得拉邦532127，印度
摘要
为了防止视力丧失，早期诊断非常重要；因此，本文提出了一种名为Shuffle Fuzzy Attention Network (ShuffleFA-Net) 的方法，利用视网膜底片图像来识别青光眼。该过程首先获取原始的底片输入图像，这些图像通常包含背景区域。预处理阶段从提取感兴趣区域（ROI）开始，以隔离视盘区域。预处理之后，使用对比度受限自适应直方图均衡化（CLAHE）技术对图像进行增强。图像增强完成后，利用Simple Convolutional Neural Networks-UNet (SimpleCNN-UNet) 对视盘进行分割。接着，使用带有Top-k损失函数（SimpleCNN-UNet_Top-KLF）的SimpleCNN-UNet对血管进行分割。分割后，从分割后的输入图像中提取关键特征，如高阶谱（HOS）和统计特征，如平均值、平滑度、三阶矩、均匀性和垂直杯盘比（CDR）。最后，使用ShuffleFA-Net进行青光眼检测，这是一种结合了Shuffle Attention Network (SA-Net)、泰勒级数和自适应神经模糊推理系统（ANFIS）优势的混合模型。当K值为8时，ShuffleFA-Net的准确率为94.0%，真正例率为95.7%，真正例率为91.7%。
引言
全球范围内，青光眼是导致永久性视力丧失的主要原因之一。据估计，到45岁时，约有3.5%的人受到青光眼的影响，相当于全球约6430万人。随着世界人口的增长和老龄化，这一数字预计到2020年将达到8000万，到2040年将达到1.118亿[1]。青光眼会损害视神经，最终可能导致完全失明，尤其是在双眼都受影响的情况下。由于病情进展迅速且早期症状不明显，青光眼被称为“视力的小偷”。患者往往在身体受到严重损害后才会意识到自己患病[2]。青光眼主要分为开角型和闭角型两种类型。它的发展过程通常是渐进且无痛的，往往直到病情进入晚期症状才会显现。相比之下，闭角型青光眼会突然发作，表现为眼痛、红肿、恶心和呕吐等症状，这是由于眼内压（IOP）迅速升高所致。这种形式属于医疗紧急情况，需要立即处理[3]。此外，大多数视力丧失病例都是由青光眼引起的，而通过及时诊断和适当治疗是可以预防的[1]。目前使用了多种诊断工具和监测测试来检测这种威胁视力的疾病的发病情况并跟踪其进展[4]。如果能在早期阶段诊断出青光眼，及时治疗可以有效减缓病情发展并防止视力丧失[1]。
大规模青光眼筛查中最有前景且非侵入性的方法之一是使用视网膜底片图像，这是一种简单而强大的诊断工具[5]。视网膜底片图像是高分辨率的照片，能够直接显示眼睛内部的结构和病理特征，如视盘、黄斑、中央凹、血管、出血、小动脉、小静脉、渗出物和微动脉瘤[6]。除了在眼科中的应用外，视网膜底片图像最近还显示出在检测系统性疾病（如2型糖尿病、贫血和心血管疾病）方面的潜力，使其成为更广泛医学诊断中的宝贵资源[7]。这些视网膜底片图像是通过眼底相机拍摄的，这种光学设备结合了显微镜和闪光灯功能，可以详细观察眼睛的后部[8]。视盘是神经节细胞轴突离开眼睛并将视觉信号传递到大脑的区域[9]。作为最亮的区域，视盘在评估青光眼相关损伤中起着关键作用。手动分割工作量大且容易出错。为了解决这个问题，引入了多种自动化分割方法，包括模板匹配、可变形模型和逐像素分类策略[10]。因此，准确的视盘和视杯分割已成为许多计算机辅助眼病筛查系统的初始预处理步骤。图1展示了突出显示关键解剖结构的样本底片图像，包括视盘和视杯。图1(a)显示了原始的底片图像，而图1(b)和图1(c)分别展示了分割后的视杯和视盘，以便更好地理解这些结构。
深度学习（DL）模型的进步使得自动视盘分割实现了高精度和可靠性，在医学成像研究领域引起了广泛关注[11]。人工智能（AI）是计算机科学的一个子领域，致力于设计能够复制传统上由人类认知能力完成的系统。机器学习（ML）使系统能够从数据中学习，发现潜在模式，并在几乎不需要人工监督的情况下自主执行决策任务。这种数据驱动的方法使ML成为跨多个领域分析和解决问题的强大工具。DL是ML的一个专门子集，它利用受人类大脑结构和功能启发的神经网络（ANN）来建模复杂的数据关系[12]。近年来，DL在提取丰富抽象特征方面取得了显著成效，极大地推动了计算机视觉任务的发展。卷积神经网络（CNN）[13]在图像分类和对象分割方面取得了显著成功，是医学成像分析中的主要工具。在眼科成像中，DL系统在检测糖尿病视网膜病变方面表现出敏感性和特异性[14]。此外，许多研究表明，DL技术能够可靠地检测特定疾病并评估各种眼部疾病的严重程度，包括糖尿病视网膜病变、年龄相关性黄斑变性和青光眼[15]。这些技术展示了AI在现代眼科和诊断成像中的潜力[13]。本文旨在开发一种名为ShuffleFANet的方法来检测青光眼。首先从数据库中获取视网膜图像，并对其进行处理以确保质量一致，然后使用对比度受限自适应直方图均衡化（CLAHE）技术进行增强。增强后，使用Simple Convolutional Neural Networks-UNet (SimpleCNN-UNet)基于视盘进行分割。同样，使用带有Top-k损失函数（SimpleCNN-UNet_Top-KLF）的SimpleCNN-UNet进行血管分割。这里，SimpleCNN-UNet通过名为Top-KLF的损失函数进行训练。分割后，从分割后的图像中提取高阶谱（HOS）、统计特征和杯盘比（CDR）特征。最后，使用ShuffleFANet进行青光眼检测，该模型结合了Shuffle Attention Network (SA-Net)、泰勒级数和自适应神经模糊推理系统（ANFIS）。
本文的主要目的如下：
开发用于检测青光眼的ShuffleFANet： 在这篇研究中，使用提出的ShuffleFANet进行青光眼检测，该模型结合了SA-Net、泰勒级数和ANFIS。SA-Net通过高效提取关键的空间-通道特征来提高青光眼检测的准确性；泰勒级数增强了非线性视网膜特征的精细度；ANFIS则通过自适应模糊推理准确处理不确定或重叠的模式。通过结合这些组件，ShuffleFANet的准确率为93.99%，真正例率为95.65%，真正例率为91.65%，显示出比传统DL方法更优越的性能，证实了这种多模型整合在青光眼检测中的有效性。
本文的结构如下：第2节回顾了现有青光眼检测方法的优点和局限性。第3节深入探讨了ShuffleFANet框架。第4节描述了数据库，并报告了使用ShuffleFANet获得的结果。最后总结了关键结果，并讨论了未来研究和改进的方向。
章节片段
文献综述
本节回顾了基于视网膜底片图像的青光眼检测的最新研究，详细文献分析总结在表1中。
现有的青光眼检测方法面临多个挑战，包括计算需求高、依赖于大量的逐像素注释以及由于缺乏自动化参数调整而导致的可扩展性有限。许多方法没有结合可解释的AI技术、先进的深度学习模型或模糊/半监督学习方法
提出的基于视网膜底片图像的Shuffle模糊注意力网络用于青光眼检测
本研究的目标是利用深度学习框架（特别是Shuffle Fuzzy Attention Network (ShuffleFA-Net)）开发一种青光眼检测方法。首先从数据库中获取输入的视网膜底片图像，并经过预处理阶段，其中提取感兴趣区域（ROI）以隔离视盘区域。这确保了后续步骤集中在临床重要的区域，同时减少了无关信息的干扰
结果与讨论
在本节中，我们报告了通过ShuffleFA-Net框架实现的青光眼检测结果，强调了其性能和有效性。
结论
本文概述了一种利用深度学习和混合智能技术检测视网膜底片图像中青光眼的自动化系统。该过程从预处理开始，通过ROI提取隔离视盘以减少背景干扰。然后应用CLAHE增强图像对比度并突出显示临床相关结构。使用SimpleCNN-UNet模型进行视盘分割，随后使用带有Top-k损失函数的SimpleCNN-UNet进行血管分割
