摘要：为了准确、方便地识别多类型眼底病变,提出光学相干断层扫描技术(OCT)图像的轻量化分类模型MB-CNN.降低卷积核的使用个数,调节每个阶段卷积块的使用比例,设计轻量化主干网络L-Resnet,通过加深网络深度增强对深层语义信息的提取.使用深度可分离卷积设计多尺度卷积块MultiBlock,利用MultiBloc深度挖掘病灶区域的特征,使用不同的卷积核提取不同尺寸病变的特征,提高网络对病变OCT图像的识别能力.构建特征融合模块FFM,融合浅层信息和深层信息,充分提取病变特征的纹理和语义信息,提高对小目标病变的识别能力.实验结果显示,MB-CNN在UCSD、 Duke和NEH3个数据集上的总体分类精度分别达到97.2%、 99.92%和94.37%,模型参数量明显降低,所提模型能够针对眼底的多种病变进行分类.

摘要：随着人工智能(AI)概念的推广和技术的发展,在医疗领域逐渐出现基于AI算法的疾病筛查系统。这类系统可用于疾病的大规模筛查,以缓解基层医疗卫生压力。近年来,AI算法在眼底彩色照相黄斑区域的病变体征分析和识别中展现了良好的性能,随着时间的推移,未来定会出现适用于基层筛查的眼底病变体征筛查系统。因此,为了规范基于AI算法构建的黄斑区域病变体征筛查系统的设计及临床应用,中华医学会眼科学分会眼底病学组联合相关专家,经过调研问题、讨论生产证据、召开指南研讨会等环节,针对基层筛查系统的黄斑区域和病变体征定义、AI应用场景、算法模型构建、数据集的建立和标注、架构和功能设计和图像数据采集等方面制定统一标准,以便指导筛查工作的开展。