编辑推荐：
青光眼早期诊断中，视杯（OC）和视盘（OD）的准确分割至关重要。研究人员提出 ODCS-NSNP 深度分割网络，在多个数据集实验中，该方法性能优异。这为早期青光眼的医学筛查和诊断提供新助力，辅助医生决策。
在全球范围内，青光眼正逐渐成为不可逆失明的主要 “元凶”。随着人口老龄化加剧，青光眼的患病率也在持续攀升。这种疾病就像一个隐匿在眼睛里的 “破坏者”，悄无声息地侵蚀着视神经，常常伴随着眼压升高，慢慢偷走患者的周边视力，如果不及时治疗，最终会导致完全失明。早期发现青光眼就如同在黑暗中找到一丝曙光，能显著延缓甚至阻止病情恶化。然而，青光眼早期的诊断困难重重，视盘和视杯的细微变化很难用肉眼察觉，而这些变化，尤其是杯盘比（CDR）的变化，却是诊断青光眼的关键。经验丰富的眼科医生手动计算 CDR 既耗费时间又消耗资源，难以在大规模人群筛查中推广应用。因此，开发自动化的计算机辅助诊断系统迫在眉睫，而准确分割视盘和视杯是其中的关键第一步，这能为精确测量 CDR 和后续青光眼评估奠定基础。
在这样的背景下，四川大学华西医院等机构的研究人员展开了深入研究，最终得出了令人瞩目的成果，相关论文发表在《Biomedical Signal Processing and Control》。他们提出的 ODCS-NSNP（Optic disc and cup segmentation using deep networks enhanced by nonlinear spiking neural P systems）深度分割网络，为青光眼早期诊断带来了新的希望。
研究人员在开展研究时，用到了几个主要关键技术方法。首先，设计了基于非线性脉冲神经卷积模型的深度可分离网络单元（SDN-Unit），它能有效增强网络的宽度和深度；其次，引入深度可分离卷积单元（ConvSNP-DeSep）来替代传统卷积单元，减少了先验信息的丢失；最后，重新设计了重采样算子（SRS-Operator），提高了分割边界的准确性。研究使用了 RIM-ONE-r3、Drishti-GS 和 REFUGE 这三个公开的基准数据集进行实验评估。
研究结果如下：
- ODCS-NSNP 网络结构方面：该网络采用多尺度特征输入策略，呈 U 形结构。编码器和解码器都由多个 SDN-Unit 构成，每个 SDN-Unit 又包含多个 ConvSNP-DeSep 卷积单元，这种结构有助于提取多尺度特征。
- 实验性能评估方面：在 RIM-ONE-r3 数据集上，OD/OC 的平均 Dice 系数为 0.9724/0.9815 ，交并比（IoU）为相应数值，敏感度（Sensitivity）也达到一定分数；在 Drishti-GS 数据集上，OD/OC 的平均 Dice 系数为 0.9625/0.9325 ；在 REFUGE 数据集上，OD/OC 的平均 Dice 系数为 0.9687/0.990 。这表明 ODCS-NSNP 在三个基准数据集上都取得了优异的性能，相比当前领先的模型，具有更强的分割能力。
研究结论和讨论部分意义重大。ODCS-NSNP 创新性地结合了非线性脉冲神经 P 系统和密集连接的深度分割网络，不仅增强了网络深度和广度，还在复杂环境下实现了有效分割。ConvSNP 卷积单元有效缓解了传统单元中先验信息丢失的问题，SRS-Operator 重新设计后能高效提取多尺度特征，解决了上采样和下采样过程中的特征丢失问题。这一研究成果为早期青光眼患者的医学筛查和诊断提供了全新的辅助工具，能帮助医生更准确地判断病情，做出更合理的治疗决策，在青光眼早期诊断领域具有重要的应用价值，有望推动青光眼诊断技术的进一步发展，为更多患者带来光明的希望。
