基于深度学习的多向 scleral 血管成像血糖水平估计
图像与视频处理
2026-03-16 v1 计算机视觉与模式识别
摘要
定期监测血糖状态是糖尿病管理的关键任务，但传统的血液检测方式在频繁检测时往往负拼重试。结膜部位包含可见的浅表微血管网络，这些血管可能呈现糖尿病相关的结构改变。我们提出了 ScleraGluNet，这是一个基于多视图的深度学习框架，用于三类代谢状态的分类（正常、控制型糖尿病、高血糖糖尿病）以及来自多向结膜血管图像的连续空腹血糖（FPG）估计。数据集包含 445 名受试者（150/140/155）以及 2,225 张前段图像，每位受试者从五个不同视角获取图像。经过血管增强处理后，使用平行卷积分支提取特征，随后采用 Manta Ray Foraging Optimization（MRFO）进行特征细化，并通过基于 transformer 的跨视图注意力机制进行特征融合。采用受试者为单位的五折交叉验证进行评估，所有来自同一受试者的图像被分配到同一折中。ScleraGluNet 实现了 93.8% 的总体准确率，针对正常、控制型糖尿病和高血糖糖尿病的 one-vs-rest AUC 分别为 0.971、0.956 和 0.982。对于 FPG 估计，模型实现了 MAE = 6.42 mg/dL 和 RMSE = 7.91 mg/dL，与实验室测量值之间相关性强（r = 0.983；R2 = 0.966）。Bland-Altman 分析显示平均偏差为 +1.45 mg/dL，95% 一致区间为 -8.33 到 +11.23 mg/dL。这些结果表明，多向结膜血管成像结合多视图学习是一种有前景的非侵入性糖脂水平评估方法，在临床部署前需进行多中心验证。
引用
@article{arxiv.2603.12715,
title = {Deep Learning Based Estimation of Blood Glucose Levels from Multidirectional Scleral Blood Vessel Imaging},
author = {Muhammad Ahmed Khan and Manqiang Peng and Ding Lin and Saif Ur Rehman Khan},
journal= {arXiv preprint arXiv:2603.12715},
year = {2026}
}