CDRNet：基于深度学习利用紧边界框监督在眼底照相中精确测量杯盘比

杯盘比（CDR）是青光眼诊断最重要的指标之一。与文献中使用带像素级标注的昂贵全监督学习形式不同，本研究探讨了仅使用紧边界框监督在眼底图像中精确测量CDR的可行性。为此，我们开发了一个名为CDRNet的双任务网络用于精确CDR测量，其一为弱监督图像分割，另一为边界框回归。弱监督图像分割任务基于广义多示例学习形式和光滑最大值近似实现，边界框回归任务以原始图像分辨率在单一尺度上输出类特定边界框预测。为获得精确边界框预测，提出了类特定边界框归一化器和期望交并比。实验中，所提方法使用含1200张图像的测试集，以CDR误差和$F_1$分数评估CDR测量、以dice系数评估图像分割。还开展了评分者研究，将所提方法与各独立评分者性能比较。实验结果表明，所提方法在CDR测量上优于使用像素级标注的全监督图像分割（FSIS）方法的SOTA性能，其性能也优于各独立评分者。此外，在视杯与视盘分割上，所提方法性能接近FSIS的SOTA及独立评分者水平。代码见\url{https://github.com/wangjuan313/CDRNet}。