SwinCup-DiscNet：一种利用视盘和杯特征进行青光眼诊断的融合变换器框架

青光眼仍然是导致全球永久性视觉残疾的关键原因，主要是由于视神经头（ONH）的逐渐破坏。早期检测对于防止视力丧失至关重要。本文提出了一种新的融合变换器管道，将视盘/杯和基于特征的分割集成到一起，以帮助有效筛查青光眼。所提出的方法将U-Net与注意机制集成，切割视盘（OD）和视杯（OC），通过处理光谱形状描述符来评估垂直杯盘比（CDR）。伴随Swin Transformer编码器提取视网膜图像描述符，以在图像尺度上检测青光眼。它们采用概率融合方法，将结构生物标志物（CDR）与深度学习特征合并，最终获得青光眼分类。该框架在三个流行的公开数据集上进行了详细研究：LAG、ACRIMA和DRISTHI-GS。根据实验结果，SwinCup-DiscNet在所有数据集上始终优于传统的基于CNN的模型和仅基于分割的方法。该框架被证明具有稳健性、可靠性和临床可解释性，使用执行指标如DSC IoU、准确度测量和F1分数，以及杯盘比平均绝对误差（CDR MAE）。研究结果表明，SwinCup-DiscNet是一个在实际临床环境中用于早期检测青光眼的高度有效的临床工具。