用于眼科成像模式的白内障分类/分级的机器学习

据世界卫生组织 (WHO) 估计，约有 22 亿人患有视力障碍。白内障约占视力障碍的 33%，是全球失明的第原因(超过 50%)。白内障患者通过早期干预和白内障手术可以改善生活质量和视力，是同时降低失明率和白内障致盲社会负担的有效方法。

临床上，白内障是指晶状体区域透明度丧失，当晶状体内部的蛋白质聚集在一起时就会发生这种情况。它们与许多因素有关，如发育异常、创伤、代谢紊乱、遗传、药物引起的变化、年龄等。

遗传和衰老是白内障的两个最重要的因素。白内障根据病因可分为年龄相关性白内障、小儿白内障(PC)和继发性白内障。

根据晶状体混浊的位置，可将其分为核性白内障(NC)、皮质性白内障(CC​​)和后囊下白内障(PSC)。NC表示核区域逐渐混浊和逐渐硬化。CC 是白色楔形和放射状不透明体的形式，以辐条状方式从晶状体的外边缘向中心发展。PSC 是颗粒状混浊，其症状包括小面包屑或沙粒，散布在晶状体囊下方。

在过去的几年里，眼科医生根据他们的经验和临床培训，使用一些眼科图像来诊断白内障。这种手动诊断模式容易出错、耗时、主观且成本高昂，这对于经验丰富的临床医生稀缺的发展中国家或农村社区来说是一个巨大的挑战。

为了及早预防白内障，提高白内障诊断的精度和效率，研究人员大力发展计算机辅助诊断(CAD)技术，对不同的眼科图像进行白内障自动分类/分级，包括传统的机器学习方法和深度学习方法。

传统的机器学习方法是特征提取和分类/分级的结合。在特征提取阶段，人们提出了多种图像处理方法来根据不同的眼科图像获取白内障的视觉特征，如基于密度的统计方法、密度直方图方法、特征袋(BOF)方法、Gabor方法等。小波变换、灰度共生矩阵(GLCM)、Haar小波变换等

　　免责声明：本文由用户上传，与本网站立场无关。财经信息仅供读者参考，并不构成投资建议。投资者据此操作，风险自担。 如有侵权请联系删除！