在人口老龄化加剧与近视低龄化的双重挑战下，视觉健康研究已成为全球公共卫生的重要课题。课题组在眼底图像分割算法、近视发生发展的评估与预测两方面展开研究，提出了面向血管连续性的视网膜图像分割算法、面向近视发展的视网膜图像配准方法、基于深度学习的近视发生发展识别及表征方法等。

目前研究工作及进展

1. 血管连续性的视网膜图像分割

视网膜血管分割是医学图像分析领域的重要研究方向，其核心目标是通过算法精准提取眼底图像中复杂的血管网络。血管拓扑结构作为视网膜微循环系统的功能载体，不仅反映眼部疾病的病理特征，更是心血管疾病早期筛查的关键生物标志物。传统分割方法虽在像素级精度上取得进展，却常因忽略血管的连续性、分支逻辑等拓扑特性，导致分割结果出现断裂、伪影或错误连接。课题组融合可变形卷积、注意力机制等手段，利用神经网络实现从单纯追求分割精度，向兼顾拓扑保真度的多目标优化范式演进，从而提升分割算法的临床适用性，为后续的血流动力学分析、疾病分级系统构建提供可靠的结构基础。

2. 面向疾病诊断的视网膜OCT图像层分割

视网膜光学相干断层扫描（OCT）是一种非侵入性成像技术，用于获取视网膜的高分辨率横截面图像。OCT图像层分割是眼科图像处理中的重要任务，常用于分析OCT和OCTA图像中视网膜层结构和功能，是视网膜厚度分析、血流密度分析的基础。目前流行的语义分割方法面临的主要问题体现在：缺少形状先验、复杂疾病下的效果差、2D分割丢失全局信息。课题组将分割任务转化为3D层分割提升网络对全局信息的感知能力，从而提升疾病条件下的分割效果。

3. 面向近视发展的视网膜图像配准

由于视网膜独特的曲面形状以及因近视发展带来的眼底曲率变化和眼轴伸长，带有近视发展的视网膜图像配准面临着一系列挑战。课题组提出了一种面向近视发展的视网膜图像配准方法，该方法构建的三维空间模型考虑了相机在成像过程中的畸变模型，同时引入了新颖的近视发展模型，最终以匹配的关键点为媒介通过三维位姿估计的方式实现了两幅视网膜图像的准确配准。在公开的FIRE数据集和课题组构建的FIMD数据集上对所提方法以及现有的多个先进方法进行了全面的对比评估，结果显示课题组开发的方法具有显著最佳的配准性能。

课题组将继续开展视网膜图像血管分割/血管视盘视杯联合分割、OCT图像层分割、多模态分割、3D眼底视网膜重建、近视进展评估与预测、疾病分类/分级与预测等相关研究，欢迎感兴趣的同学加入，请联系孙明竹-人工智能学院 (nankai.edu.cn)