基于深度学习的视网膜血管参数与心血管疾病关联研究综述.docVIP

基于深度学习的视网膜血管参数与心血管疾病关联研究综述

视网膜作为人体唯一可无创、直接观测的深部微循环组织，其血管形态、动力学参数的改变是心血管系统病理变化在末梢循环的直观映射。传统视网膜血管分析依赖人工阅片，存在主观性强、可重复性差、量化指标有限等局限，难以满足大规模人群心血管疾病早筛需求。近年来深度学习技术在医学图像分析领域的突破，实现了视网膜血管结构与功能参数的高通量、高精度提取，为揭示视网膜微血管病变与心血管疾病的因果关联、构建无创风险预测模型提供了全新技术路径。

一、深度学习驱动的视网膜血管参数提取技术进展

当前基于深度学习的视网膜血管量化方法已覆盖结构参数、功能参数及拓扑特征三大维度，技术框架逐步从监督学习向弱监督、自监督范式演进，参数提取精度与效率实现量级提升。

（一）结构参数提取技术

视网膜血管结构参数主要包括管径、分叉角度、动静脉比值（AVR）、迂曲度等，是反映血管壁重构、血流动力学改变的核心指标。早期监督学习模型以U-Net及其变体为核心架构，通过编码-解码结构实现血管像素级分割：2021年提出的AttentionU-Net引入门控注意力机制，在DRIVE数据集上的血管分割准确率达到97.8%，动静脉分类准确率突破92%，可自动测算各级血管管径差值、分叉处角度变异系数等传统方法难以量化的细微特征。针对低质量眼底图像（如屈光间质混浊、运动伪影），近年出现的生成对抗