基于人工智能自动分析技术的视网膜血管形态参数测量及特征分析

摘要：

目的:基于人工智能技术对视网膜血管形态学参数进行全自动定量测量，分析我国北方50岁以上人群视网膜血管参数及分布特征。方法:采用横断面研究方法，纳入2011年1月至2021年12月就诊于北京同仁医院的50岁以上无眼底病的患者1 842例，对纳入的受试者进行标准化问卷调查、抽血和眼科检查；收集各受试者任意一眼以视盘为中心的彩色眼底照片，采用基于深度学习的语义分割网络ResNet101-Unet构建血管分割模型，进行全自动视网膜血管参数定量测量，主要测量指标包括视网膜血管分支夹角、血管分形维数、血管平均管径和血管平均弯曲度。比较不同性别间各视网膜参数的差异。采用多元线性回归分析法分析最佳矫正视力、眼压、眼轴长度等眼部因素和性别、年龄、高血压、糖尿病、心血管疾病等全身因素是否是各视网膜血管参数的影响因素。结果:模型对于血管分割和视盘分割的准确度均高于0.95。1 842例受试者血管分支夹角为(51.023±11.623)°；血管分形维数为1.573(1.542，1.592)；血管平均管径为64.124(60.814，69.053)μm；血管平均弯曲度为(0.001 062±0.000 165)°。男性血管分支夹角大于女性，血管平均管径和血管平均弯曲度小于女性，差异均有统计学意义(均
P<0.05)。全身因素多元线性回归分析结果显示，患有心血管疾病的人群较无心血管疾病的人群血管平均管径增大1.142 μm(
B＝1.142，
P＝0.029，95%
CI：0.116～2.167)；血管平均弯曲度与高血压(
B＝3.053×10
－5，
P＝0.002，95%
CI：1.167×10
－5～4.934×10
－5)和饮酒量(
B＝1.036×10
－5，
P＝0.014，95%
CI：0.211×10
－5～1.860×10
－5)呈正相关，与高脂血症呈负相关(
B＝－2.422×10
－5，
P＝0.015，95%
CI：－4.382×10
－5～－0.462×10
－5)。眼部因素多元线性回归分析结果显示，眼轴长度每增加1 mm，血管分形维数减小0.004(
B＝－0.004，
P<0.001，95%
CI：－0.006～－0.002)，血管平均管径减小0.266 μm(
B＝－0.266，
P＝0.037，95%
CI：－0.516～－0.016)，血管平均弯曲度减小－2.45×10
－5°(
B＝－2.45×10
－5，
P<0.001，95%
CI：－0.313×10
－5～－0.177×10
－5)。BCVA每增加1.0，血管分支夹角增大3.992°(
B＝3.992，
P＝0.004，95%
CI：1.283～6.702)，血管分形维数增大0.090(
B＝0.090，
P<0.001，95%
CI：0.078～0.102)，血管平均管径减小14.813 μm(
B＝－14.813，
P<0.001，95%
CI：－16.474～－13.153)。
结论:成功构建视网膜血管分割模型。视网膜血管参数与性别、年龄、系统性疾病和眼部因素存在关联。

关键词：视网膜血管、眼底照相、形态学参数、人工智能

所属期刊栏目：42

资助基金：国家自然科学基金82141128;首都卫生发展科研专项2020-1-2052;北京市科委科技计划项目Z201100005520045、Z181100001818003;National Natural Science Foundation of China82141128;The Capital Health Research and Development of Special2020-1-2052;Science & Technology Project of Beijing Municipal Science & Technology CommissionZ201100005520045, Z181100001818003

在线出版日期：2024-01-30（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：38-46