更多内容请关注【医学影像 AI by youcans@Xidian 专栏】

0. 论文简介

0.1 基本信息

2019 年 深圳 张国明 等在 IEEE Access 发表论文 “一种用于识别视网膜图像中 Zone-I 的深度学习框架（A Deep Learning Framework for Identifying Zone I in RetCam Images）”。

本研究首次提出一种基于深度学习的 Zone-I 自动识别方法，解决了 ROP 筛查中 Zone-I 划分主观性强、效率低的问题，识别精度达专家水平，为 ROP 早期诊断和远程筛查提供了高效、可靠的技术支持。

论文下载： ieeexplore
引用格式：
Jinfeng Zhao, Guoming Zhang, et al., A Deep Learning Framework for Identifying Zone I in RetCam Images. IEEE Access. 2019, 7, 103530-103537, doi: 10.1109/ACCESS.2019.2930120.

0.2 论文速览

提出的方法

作者提出了一种基于 深度学习 的自动识别框架，核心流程如下：

1. 图像预处理：使用图像质量分类器去除模糊、过曝、非眼底图像等不合格图像。
2. 结构识别：使用深度卷积神经网络（DCNN）+ 区域建议网络（RPN）+ 全卷积网络（FCN）联合识别：视盘中心（Optic Disc Center），黄斑中心（Macular Center）
3. Zone I 区域计算：
   根据 ICROP 标准，利用识别出的两个中心点，自动计算并绘制 Zone I 区域。

主要贡献

1. 首次提出自动识别 Zone I 的深度学习方法
2. 高精度识别：Zone I 识别准确率达到 91%，视盘识别准确率 100%，黄斑识别准确率 90%。

0.3 摘要

早产儿视网膜病变（ROP）一直是全球儿童失明的主要原因之一。ROP的分级和治疗指南主要基于区、阶段和增生性病变。对于严重的ROP，识别区比分期更重要。然而，识别RetCam眼底图像中的Zone I并不准确且主观性较强。
为解决这一问题，我们开发了一种新的深度学习框架，以自动从RetCam图像中识别Zone I。具体而言，我们基于RetCam图像训练了一个深度卷积神经网络（DCNN）算法。基于交并比（IOU）的阈值，自动识别视盘和黄斑中心。
该算法在眼底图像上进行了验证，结果显示当IOU阈值为0.8时，Zone I的识别准确率达到91%。从RetCam图像中获得的Zone I识别准确率表明其在ROP分级、监测和预后中的潜在应用价值。

1. 引言

早产儿视网膜病变（ROP）是一种血管增生性、导致失明的疾病，已成为全球儿童失明的主要原因之一[1]-[5]。ROP是早产儿眼睛最危险和严重的并发症之一[6]，在高收入或中等收入国家可以更好地预防。国际ROP分类（ICROP）根据区、阶段和增生性病变的分级将ROP分为不同的类别[7]。1型ROP在发展中中国家的发生率较高[4]，但在发达国家较低，美国和加拿大的发生率仅为6.1%[8]。1型ROP更为严重，主要发生在Zone I。Zone I ROP比Zone II或III ROP发生更早、进展更快[9]，常见于最小的婴儿。这些婴儿特别容易发生严重的ROP阶段。随着高风险最小婴儿数量的增加，患有Zone I ROP的婴儿数量也在增加[10]。这种类型的ROP可能具有与传统ROP不同的机制和预后，并且对抗VEGF药物的玻璃体内注射治疗反应更有效[1]。临床经验显示，延迟诊断和治疗Zone I ROP可能导致广泛的牵引性视网膜脱离[11]，甚至危及视力导致失明。早期干预和频繁随访对于持续ROP治疗和监测至关重要，可以显著改善Zone I ROP儿童的预后[12]。眼科医生可以通过观察ROP症状是否进展到Zone I来确定ROP的严重程度[13]。因此，从视网膜图像中识别Zone I对于早期评估和诊断ROP的严重程度具有重要意义[14]。

事实上，中国ROP筛查的现状如下：1) 随着中国二孩政策的实施和新生儿重症监护病房的发展，早产儿的生存率和ROP发病率均有所提高[15]。因此，需要筛查的早产儿数量逐年增加[3], [16], [17]。2) ROP筛查和诊断需要医疗经验，年轻的眼科医生需要经过长时间的培训。ROP的临床评估主要依赖于眼科医生对症状的主观解释，因此需要专业知识，耗时过长。筛查的缺失和错误可能导致严重的医疗过失，导致眼科医生不愿意从事这项工作[3], [16]。因此，许多国家和地区缺乏专业眼科医生。目前的远程医疗技术仍在发展中，无法解决这一问题[3], [18]。3) 目前的眼科医生在早产儿ROP诊断中高度依赖双目间接检眼镜和宽视野数字眼底成像系统（RetCam）[9]。ICROP仅提供定性的指标而非定量描述[19]。由于每位眼科医生的疾病诊断知识风格独特，经验水平不同，因此ROP诊断具有高度的主观性，尤其是分区。为解决此问题，通过流行的深度学习算法自动识别RetCam图像中的Zone I是高度必要的，也可以克服传统方法的局限性。

众所周知，通过DCNN的深度学习算法已被用于自动诊断白内障[20]、青光眼[21]、[22]、黄斑变性[23]和糖尿病视网膜病变[24]。此外，深度学习算法已被用于自动诊断ROP的增生性病变并取得了满意的效果[16]。然而，关于自动识别Zone I ROP的相关文献报道较少。因此，我们开发了一种新的深度学习算法，以自动从RetCam图像中识别Zone I。眼科医生可以通过观察ROP症状是否位于由算法识别的Zone I内来识别Zone I ROP。具体而言，我们基于最新技术设计了一种新的深度学习算法。我们的算法通过DCNN提取图像特征。由于目标类别在每个像素中显示，因此进行类别检测、特征提取和图像分割[1]。即，我们的算法包含四个主要部分：DCNN、区域提议网络（RPN）、全卷积网络（FCN）和迁移学习。DCNN用于提取图像的深层特征[26]。RPN用于生成感兴趣区域（ROI）检测的区域建议[27]。为了提取图像的深层特征图，采用了一种深度残差网络（ResNet）。同时，FCN执行二值分割，并将每个ROI中的每个像素分类以实现目标分割[28]。此外，还使用了迁移学习进行模型预训练，即将训练好的模型参数转移到新的模型以提高性能[29]。我们的算法通过预训练模型获取数据层次特征的表达，用于高级语义分类。模型底层的低级语义特征（如边缘、颜色）在不同的分类任务中是固定的[30]。因此，学习到的模型参数可以通过特定方式转移到新的模型中，从而加快和优化模型的学习效率，并比从头学习节省时间[31]。

我们在深圳市早产儿视网膜病变筛查协作组提供的RetCam眼底图像上验证了我们的算法。我们的算法取得的优异性能表明，从眼底图像中自动识别 Zone-I 具有在临床实践中减少ROP筛查工作量和降低因误诊或漏诊导致的失明率的潜在应用价值[3]。

本文其余部分组织如下。第二部分描述了所提出算法的总体概述和数据集的详细说明。第三部分专注于实验结果和比较。最后，第四部分和第五部分分别讨论和总结。

2. 方法

2.1 总体概述

根据ICROP标准，Zone I由一个圆组成，该圆的半径从视盘中心延伸到视盘中心到黄斑中心距离的两倍[7]、[9]。在本研究中，设计了一种算法以自动识别视盘和黄斑的中心，并根据视盘中心和黄斑中心自动从RetCam图像中识别Zone I。本研究的方案已由深圳市眼科医院的机构审查委员会审查并批准，并从所有参与者处获得了书面知情同意。

2.2 数据集

在我们的实验中，从2016年1月至2017年5月收集了490名婴儿的9800张RetCam图像用于训练。所有RetCam图像在训练前均进行了预处理。使用[32]中开发的预处理分类器去除不合格图像。共有90张高度模糊、较暗或较亮以及非眼底照片的图像被排除用于训练。仅包含视盘或黄斑的图像也被排除。最后，我们在实验中共有2849张图像。所有剩余的图像均包含视盘和黄斑的结构。共有97名儿童的582张图像患有ROP。其中，46名儿童的276张RetCam图像为Zone I ROP。然后将这些图像分为三组：训练集包含2394张图像，验证集包含355张图像，测试集包含100张图像。训练集和验证集用于训练和验证算法，而测试集用于测试算法的性能。

每位婴儿接受了标准的10位位置拍摄（视盘为中心的图像、黄斑为中心的图像、鼻侧包含视盘的图像、鼻侧包含视盘但接近锯齿边缘的图像、颞侧包含视盘的图像、颞侧不包含视盘的图像、顶部包含视盘的图像、顶部不包含视盘的图像、底部包含视盘的图像和底部不包含视盘的图像）。根据ICROP的特点，本研究只能选择包含视盘和黄斑中心的图像。训练集中的每张图像的视盘和黄斑中心均由六名眼科医生根据ICROP进行标注。所有标注者均从事ROP诊断和治疗超过10年。两名标注者为主治医师，其余四名为会诊医生。在训练集中，六名眼科医生分别对所有图像进行标注。每位专家审查了所有专家的标注，并选择了标签不一致的数据。他们进行了讨论，并由最资深的专家确定最终结果。为了便于重新识别视盘中心和黄斑中心，在标注系统中使用了一个具有固定直径的圆框，而不是一个点，该圆框的直径与视盘和黄斑的解剖尺寸相匹配（新生儿视盘直径约为0.6毫米，黄斑直径略大于视盘）。每张图像的视盘和黄斑在标注系统中分别用固定120像素和160像素的圆框进行标注，根据两个圆框的中心，标注系统自动标注眼底图像中的Zone I。本研究中使用的数据集总结见表1。

2.3 深度学习算法

对于分类问题，深度特征可以通过提取深层次且具有代表性的特征图来提升分类性能。深度特征可以通过深度卷积神经网络（DCNN）提取，网络内部的参数是根据上一层网络特征的表达计算得出的。例如，在将图像输入 DCNN 后，第一个卷积层使用内部参数计算输入特征的表现形式，如边缘、角度、曲线等。如果第二个卷积层的输入是第一个层的输出，则该层的卷积通过计算将低阶特征组合，并输出高阶特征，如半圆、四边形等。因此，增加网络的卷积层数可以提取更复杂的特征。深度学习通过反向传播算法来调整网络内部参数，从而学习不同网络层的特征。网络深度的增加可以增强网络的表达能力，这一点已由 Simonyan 和 Zisserman [33] 实验验证。然而，简单地增加网络深度会导致退化问题，即网络深度的增加会使准确率趋于饱和，进一步增加反而会导致准确率下降。为了解决这一问题，我们采用残差网络（ResNet）来应对因网络深度增加而引起的准确率下降问题 [34]。ResNet 使用 3×3 的滑动窗口进行扫描，在每个滑动窗口位置考虑九种可能的锚点，从而有效提取特征。

在本研究中，当将 RetCam 图像输入模型时，模型的深层卷积层将基于视盘和黄斑提取深层图像特征。根据提取的特征，区域建议网络（RPN）将在特征图上预测视盘和黄斑的大致位置及其类别（属于前景或背景）。随后，通过精细学习对视盘和黄斑进行分类（视盘、黄斑或背景）[1]。通过固定锚点建议的边界框回归获得感兴趣区域（ROI）。然后将不同大小的 ROI 进行 ROI 对齐操作，并输入全连接层，以判断目标的类别和精确位置。同时，全卷积网络（FCN）将对 RPN 预测所选位置进行上采样 [28]，将所选区域放大至原始图像中的对应尺寸，然后对每个像素进行分类（属于视盘、黄斑或背景），从而实现视盘和黄斑的分割。最终，生成与视盘和黄斑区域相匹配的圆形框。模型根据这两个圆形框的中心，依据 ICROP 标准标注 Zone I 区域。研究中还采用了迁移学习策略以提升性能，迁移学习的权重来源于 Microsoft COCO 数据集（http://cocodataset.org/）的训练结果。在本研究中，为每个矩形窗口内的样本（标注的视盘或黄斑边界区域）定义了一个多任务损失函数。该损失函数由分类损失（Lcls）、边界框回归损失（Lbox）和掩膜损失（Lmask）组成，用于计算模型输出结果与真实标签之间的误差。该过程迭代进行，直至误差不再降低，即模型输出最接近真实值。由此完成目标检测过程。模型训练完成后，使用测试集评估模型对新输入数据的预测效果。所提出方法的流程图如图 1 所示。

图1. 所提出方法的模块框图。首先识别视盘和黄斑的位置，然后计算视盘和黄斑的中心点。最后，根据视盘和黄斑的中心计算图像中的Zone I。

2.4 性能评估

在本研究中，随机选取了100张RetCam图像来测试模型，这些图像未包含在训练集和验证集中。六名眼科医生独立在标注系统中标注了眼底图像的视盘和黄斑。之后，根据ICROP，眼底图像的I区在标注系统中自动标注。本研究的结果通过计算交并比（Intersection over Union, IOU）的效果进行定量分析。IOU是通过所提出方法识别的候选边界与六位专家标注的金标准边界之间的重合率[31]，其公式为：

$$\begin{array}{c}\mathrm{IOU}=\frac{Dectectionresult\cap Groundtruth}{Dectectionresult\cup Groundtruth}.\end{array}\text{\hspace{1em}(1)}$$

在评估模型识别准确率时，分别计算了视盘、黄斑和I区的交并比（IOU）。视盘、黄斑和I区的识别准确率在不同的IOU阈值下进行了计算。准确率定义为当IOU大于或等于某一特定阈值时，正确标注样本数与总样本数的比率。例如，当IOU阈值设置为0.8时，如果计算出的黄斑和视盘的IOU大于或等于0.8，则认为训练模型是准确的。模型计算的RetCam图像的I区和专家标注的I区分别定义为圆1和圆0。根据圆1和圆0之间的重合度计算IOU，并在不同的IOU阈值下计算图像I区的模型识别准确率。如果降低IOU要求，模型将识别出更多的样本为正确样本。换句话说，当对IOU值的要求较低时，模型标注的准确率会提高。

2.5 与临床诊断的比较

在本研究中，我们将模型评估分为四个组别：模型组、具有专家经验的专业眼科医生组、资深眼科医生组和初级眼科医生组。模型组是从本研究中获得的，教授级专家组为主治超过10年的眼科医生，资深眼科医生组为有经验的视网膜专科医生，初级眼科医生组为眼科实习生。每组对测试集中的100张图像的视盘和黄斑进行了标注，并根据视盘和黄斑标注的圆计算眼底图像中的Zone I。在不同的IOU阈值下，比较了四个组别中视盘和黄斑标注的准确率以及眼底图像中Zone I的识别率。

3. 实验结果

标注训练集的六位专家讨论了交并比（IOU）的值。他们一致认为，当黄斑、视盘和I区的IOU大于或等于0.5时，模型对视盘、黄斑和I区的识别被认为是准确的，否则被认为是不准确的。因此，在我们的实验中，IOU阈值被设置为0.5。我们的算法在GTX 1080TI GPU上运行，每张测试图像需要0.8秒。识别准确率定义为当IOU > 0.5时，正确标注样本数与总样本数的比率。我们分别实现了视盘检测的100%准确率和黄斑检测的90%准确率。由于本研究的最终目标是识别RetCam图像的I区，而I区的标签是基于视盘和黄斑的标签确定的。为了更好地理解它们之间的识别准确率，模型对视盘、黄斑和I区的识别准确率在不同的IOU阈值下进行了评估。

3.1 视盘和黄斑的评估

图2（a）展示了在不同IOU阈值下视盘和黄斑检测的准确率。红色实线表示视盘的准确率，蓝色实线表示黄斑的准确率。当IOU阈值为0.8时，视盘的准确率为90%，而黄斑的准确率仅为50%。从原始图像中，眼科医生可以清楚地识别视盘。由于新生儿的黄斑发育不完全，黄斑的识别需要具有丰富经验和医学知识的专业眼科医生才能做出准确诊断。由于专业眼科医生根据医学标准和他们的丰富经验标注了视盘和黄斑，因此模型基于眼科医生的知识和经验表现出了良好的性能。因此，我们模型中黄斑的低准确率与实际临床应用是一致的。由于黄斑比视盘中心更难以检测，模型对黄斑中心的检测准确率低于视盘中心。眼底图像的I区是由视盘和黄斑的标签共同确定的。因此，视盘和黄斑的IOU影响了识别眼底图像I区的准确率。

图2. 不同IOU阈值下各种模型的性能。
(a) 不同IOU阈值下眼底图像中视盘和黄斑识别的准确率。
(b) 不同IOU阈值下眼底图像中Zone I识别的准确率。
© 发展模型在识别眼底图像中Zone I时的真预测数量。

3.3 分区评估

图2（b）展示了使用所提出模型在不同IOU阈值下识别I区的准确率。纵坐标表示准确率，横坐标表示不同的IOU阈值。可以看出，当IOU阈值为0.8时，模型对I区的识别准确率为91%。当IOU阈值为0.9时，准确率为69%。图2（c）展示了在不同IOU阈值下识别RetCam图像I区的正确数量。

3.3 模型输出效果

图3展示了模型输出的效果。图3（a）是原始图像，图3（b）是视盘和黄斑检测的结果。红色圆形区域表示模型检测到的视盘和黄斑，而绿色圆形区域表示专家标记的视盘和黄斑（黄斑在左侧，视盘在右侧）。图3（c）显示了根据视盘和黄斑中心识别的I区，其中绿色线内的区域是根据专家标记的视盘和黄斑中心确定的I区，红色线内的区域是根据模型检测到的视盘和黄斑中心确定的I区。


图3. 不同模型的输出图像。(a) 原始图像；(b) 视盘和黄斑的检测结果；© 视网膜病变中Zone I的识别结果。

3.4 模型比较

图4（a）展示了所提出的模型与眼科医生在不同IOU阈值下识别视盘和黄斑的准确率比较。标准验证集是基于6位眼科医生的标注。红色、黑色、蓝色和绿色分别代表模型、专家级别的主任眼科医生、高级眼科医生和初级眼科医生。虚线表示视盘，实线表示黄斑。从比较结果可以看出，四组在视盘检测的准确率上较为接近。对于黄斑检测，模型的准确率低于专家级别，但高于高级眼科医生和初级眼科医生。图4（b）展示了模型和眼科医生在不同IOU阈值下识别图像I区的准确率。图4（c）展示了在不同IOU阈值下，模型和眼科医生准确识别I区的图像数量。红色、黑色、蓝色和绿色分别代表模型、主任眼科医生、高级眼科医生和初级眼科医生。这三幅图表明，专家在识别I区方面达到了最高的准确率，而模型的准确率与专家级别相似，但高于高级和初级眼科医生。

图4: 眼科医生和模型在不同IOU阈值下的结果。
(a) 不同IOU阈值下模型和眼科医生识别视盘和黄斑的准确率。
(b) 不同IOU阈值下眼底图像中Zone I识别的准确率。
© 不同IOU阈值下Zone I样本识别的真预测数量。

4. 讨论与局限性

ROP的预后是基于I区和II区的临床特征，二者差异显著[35]。与II区ROP相比，I区ROP更易快速进展为阈值ROP[9]、[12]、[17]、[36]、[37]。需要治疗的ROP定义为I区的任何阶段伴有加病，I区的3期无加病，以及II区的2期或3期伴有加病。大多数I区ROP需要治疗。即使部分I区ROP不需要立即治疗，也需要密切随访以防止病情进展。因此，准确识别RetCam图像中的I区至关重要[37]。

在我们的实验中，通过深度学习算法，自动识别RetCam图像中I区的准确率已达到专家水平。如果将一名婴儿的RetCam图像输入我们的框架，I区可以在0.8秒内自动识别，无需手动分割和分类眼底图像。在文献中，一些研究者强烈建议必须严格遵循筛查指南，以便在视力威胁性并发症出现之前及时治疗ROP[17]。

我们提出的方法可以根据ICROP识别I区，有助于对ROP的严重程度进行客观评估，从而用于ROP的诊断、治疗和预后。因此，ROP婴儿可以减少不可逆的视觉损伤。预计该应用的普及将改变未来ROP的诊断方式，并惠及全球的早产儿。

在未来，我们将继续使用更多数据进行算法开发。更多数据可以提高识别I区的准确率。尽管有文献报道深度学习算法可以自动诊断ROP的加病[16]，但很少有研究专注于准确识别I区。本研究利用深度学习算法自动识别RetCam图像中的I区。据我们所知，这是第一项关于自动识别I区的研究。我们的方法也可以扩展用于诊断I区ROP。

尽管取得了令人鼓舞的成果，但当前框架仍存在一些局限性。

• 首先，从RetCam图像中识别I区是基于视盘和黄斑的检测[7]、[9]、[19]。因此，没有这两个结构的眼底图像无法进行分析。然而，每个婴儿在筛查过程中都会以标准的10个方向进行完整拍摄，至少有三张图像包含这两个结构。因此，可以通过包含这两个结构的图像来判断RetCam图像的I区，而仅包含视盘或黄斑的图像可以根据包含两个结构的图像进行识别。本研究选择130度的眼底图像，这是一种单侧位图像，无法同时覆盖I区、II区和III区。因此，我们的方法只能准确识别RetCam图像的I区。II区和III区仍需专业眼科医生进行标注。在本研究中，我们识别的是RetCam图像的I区，而不是I区ROP。然而，我们之前有关于ROP识别的出版物。我们可以基于我们的方法和自动筛查系统[32]实现识别I区ROP。
• 其次，我们提出的方法需要探索用于诊断应用的拼接算法。标准10个位置的眼底图像需要自动拼接，模型识别拼接眼底图像的区域。拼接的全景图像可以通过算法自动划分为I区、II区和III区。这不仅解决了部分包含视盘或黄斑的图像中I区无法通过我们的算法识别的问题，还解决了单侧位图像无法区分II区和III区的问题。为了提高识别I区的准确率，我们还努力结合医学知识、临床医生的经验和光学知识，进一步提高模型的准确率，甚至可能超过专家的表现，并最终被眼科医生接受。
• 第三，在本研究中，图像的视盘和黄斑中心首先由算法检测，然后根据ICROP基于这两个结构计算I区[7]、[9]。因此，图像I区的识别准确率取决于视盘和黄斑的检测准确率。通过标注数据，算法可以自动确定视盘和黄斑的中心。然而，新生儿的黄斑尚未完全发育，眼科医生在标记黄斑中心时会受到主观性的影响。更准确的标注数据可以提高模型的准确率。专家的水平在一定程度上决定了模型的准确率[24]。根据训练集的数据，由于专家在黄斑标注中的主观性，开发的模型可能会偏离黄斑的位置，最终导致分区结果的一定偏差。因此，我们将应用更多的RetCam图像来训练更稳健的模型，减少专家主观性的影响。
• 最后，由于分割准确率较低，我们的算法仍能以较低的准确率识别一些图像的I区。我们认为图像清晰度、分辨率和焦距的差异会导致图像异质性，这可能会对算法的准确率产生一定的负面影响。本研究尚未探索ROP分期和诊断一些特殊类别（例如，阈前病变、阈值病变和AP-ROP）。未来的研究和探索仍需专业临床医生的进一步发展。

5. 结论

成功开发了一种新的深度学习框架，用于自动识别婴儿RetCam图像中的I区。模型显示，在IOU阈值为0.8时，I区识别的准确率达到了91%。令人鼓舞的识别准确率结果表明其具有广泛的应用前景，有望减轻眼科医生的工作负担。

然而，与现有的眼科检查相比，该算法在实际临床应用中的效率和可行性仍需进一步观察和研究[24]。尽管如此，该算法为ROP的分级提供了新的机会和方向。该算法还可以应用于其他需要临床医生进一步探索和研究的视网膜疾病的识别和筛查。我们的未来工作将专注于算法的进一步开发以及更大数据集的训练，这最终将推动新形势下的医疗改革。

6. 参考文献

[1] G. Zhang, M. Yang, J. Zeng, G. Vakros, K. Su, M. Chen, H. Li,R. Tian, N. Li, S. Tang, and H. He, Comparison of intravitreal injection ofranibizumab versus laser therapy for zone ii treatment-requiring retinopathyof prematurity, Retina, vol. 37, no. 4, pp. 710 717, Apr. 2017.
[2] S. J. Kim, A. D. Port, R. Swan, J. P. Campbell, R. P. Chan, andM. F. Chiang, Retinopathy of prematurity: A review of risk factors andtheir clinical signi cance, Surv. Ophthalmol., vol. 63, no. 5, pp. 618 637,Sep./Oct. 2018.
[3] A. K. Hutchinson, M. Melia, M. B. Yang, D. K. VanderVeen, L. B.Wilson,and S. R. Lambert, Clinical models and algorithms for the prediction ofretinopathy of prematurity: A report by the american academy of ophthalmology,Ophthalmology, vol. 123, no. 4, pp. 804 816, Apr. 2016.
[4] R. Acevedo-Castellón, P. Ramírez-Neria, and R. García-Franco, Incidenceof retinopathy of prematurity type 1 and type 2 in a regional hospitalof social security in the state of queretaro, mexico (2017 2018), BMCOphthalmol., vol. 19, no. 1, p. 91, Apr. 15 Apr. 2019.
[5] J. Wang and D. Xiang, Early clinical characteristics of bacterial endophthalmitisin retinopathy of prematurity after intravitreal bevacizumab injection:A case report, Exp. Therapeutic Med., vol. 13, no. 6, pp. 3563 3566,Jun. 2017.
[6] M. Azami, Z. Jaafari, S. Rahmati, A. D. Farahani, and G. Badfar, Prevalenceand risk factors of retinopathy of prematurity in Iran: A systematicreview and meta-analysis, BMC Ophthalmol., vol. 18, no. 1, p. 83,Apr. 2018.
[7] G. A. Gole, The international classi cation of retinopathy of prematurityrevisited, JAMA Ophthalmol., vol. 123, no. 7, pp. 991 999, Jul. 2005.
[8] G. E. Quinn, G.-S. Ying, and E. F. Bell, Incidence and early course ofretinopathy of prematuritysecondary analysis of the postnatal growth andretinopathy of prematurity (G-ROP) study, JAMA Ophthalmol., vol. 136,no. 12, pp. 1383 1389, Dec. 2018.
[9] S. Kimyon and A. Mete, Comparison of bevacizumab and ranibizumabin the treatment of type 1 retinopathy of prematurity affecting zone 1,Ophthalmologica, vol. 240, no. 2, pp. 99 105, 2018.
[10] J. T. Flynn and T. Chan-Ling, Retinopathy of prematurity: Two distinctmechanisms that underlie zone 1 and zone 2 disease, Amer. J. Ophthal-mol., vol. 142, no. 1, pp. 46 59, Jul. 2006.
[11] D. H. Shin, S. J. Kim, D. I. Ham, S.W. Kang, Y. S. Chang, andW. S. Park,Outcomes after laser versus combined laser and bevacizumab treatmentfor type 1 retinopathy of prematurity in zone I, Retina, vol. 37, no. 1,pp. 88 96, Jan. 2017.
[12] W. V. Good, R. J. Hardy, V. Dobson, E. A. Palmer, D. L. Phelps,M. Quintos, B. Tung, and Early Treatment for Retinopathy of PrematurityCooperative Group, The incidence and course of retinopathy of prematurity:Findings from the early treatment for retinopathy of prematuritystudy, Pediatrics, vol. 116, no. 1, pp. 15 23, Jul. 2005.
[13] X. Katz, A. Kychenthal, and P. Dorta, Zone I retinopathy of prematurity,J. AAPOS, vol. 4, no. 6, pp. 373 376, Dec. 2000.
[14] E. A. McCourt, G.-S. Ying, and A. M. Lynch, Validation of the coloradoretinopathy of prematurity screening model, JAMAOphthalmol., vol. 136,no. 4, pp. 409 416, Apr. 2018.
[15] J. Wang, R. Ju, Y. Chen, L. Zhanga, J. Hu, Y. Wu, W. Dong, J. Zhong,and Z. Yia, Automated retinopathy of prematurity screening using deepneural networks, EBioMedicine, vol. 35, pp. 361 368, Sep. 2018.
[16] J. M. Brown, J. P. Campbell, and A. Beers, Automated diagnosis ofplus disease in retinopathy of prematurity using deep convolutional neuralnetworks, JAMA Ophthalmol., vol. 136, no. 7, pp. 803 810, Jul. 2018.
[17] S. Piermarocchi, S. Bini, F. Martini, M. Berton, A. Lavini, E. Gusson,G. Marchini, E. M. Padovani, S. Macor, S. Pignatto, P. Lanzetta,L. Cattarossi, E. Baraldi, and P. Lago, Predictive algorithms for earlydetection of retinopathy of prematurity, Acta Ophthalmol., vol. 95, no. 2,pp. 158 164, Mar. 2017.
[18] P. Wongwai, S. Suwannaraj, and S. Asawaphureekorn, Diagnostic accuracyof a digital fundus photographic system for detection of retinopathyof prematurity requiring treatment (ROP-RT), PLoS ONE, vol. 13, no. 7,Jul. 2018, Art. no. e0201544.
[19] D. S.Kermany et al., Identifying medical diagnoses and treatable diseasesby image-based deep learning, Cell, vol. 172, no. 5, pp. 1122 1131,Feb. 2018.
[20] E. Long, H. Lin, Z. Liu, X. Wu, L. Wang, J. Jiang, Y. An, Z. Lin,X. Li, J. Chen, J. Li, Q. Cao, D. Wang, X. Liu, W. Chen, and Y. Liu,An arti cial intelligence platform for the multihospital collaborativemanagement of congenital cataract, Nature Biomed. Eng., vol. 1, no. 2,Jan. 2017, Art. no. 0024.
[21] S. J. Kim, K. J. Cho, and S. Oh, Development of machine learningmodels for diagnosis of glaucoma, PLoS ONE, vol. 12, no. 5, May 2017,Art. no. e0177726.
[22] M. Hiroki, H. Tabuchi, S. Nakakura, I. Naofumi, M. Miki, and E. Hiroki,Deep-learning classi er with an ultrawide- eld scanning laser ophthalmoscopedetects glaucoma visual  eld severity, J Glaucoma, vol. 27,no. 7, pp. 647 652, Jul. 2018.
[23] P. M. Burlina, N. Joshi, M. Pekala, K. D. Pacheco, D. E. Freund, andN. M. Bressler, Automated grading of age-related macular degenerationfrom color fundus images using deep convolutional neural networks,JAMA Ophthalmol, vol. 135, no. 11, pp. 1170 1176, Nov. 2017.
[24] V. Gulshan, L. Peng, and M. Coram, Development and validation of adeep learning algorithm for detection of diabetic retinopathy in retinalfundus photographs, Jama, vol. 316, no. 22, pp. 2402 2410, 2016.
[25] K. He, G. Gkioxari, P. Dollar, and R. Girshick, Mask R-CNN, IEEETrans. Pattern Anal. Mach. Intell., to be published.
[26] Y. LeCun, Y. Bengio, and G. Hinton, Deep learning, Nature, vol. 521,no. 7553, pp. 436 444, May 2015.
[27] S. Ren, K. He, R. Girshick, and J. Sun, Faster R-CNN: Towards realtimeobject detection with region proposal networks, in Proc. NIPS, 2015,pp. 91 99.
[28] J. Long, E. Shelhamer, and T. Darrell, Fully convolutional networksfor semantic segmentation, in Proc. IEEE Conf. Comput. Vis. PatternRecognit, Jun. 2015, pp. 3431 3440.
[29] J. Yosinski, J. Clune, Y. Bengio, and H. Lipson, How transferable arefeatures in deep neural networks? in Proc. NIPS, 2014, pp. 3320 3328.
[30] D. Mishkin and J. Matas, All you need is a good init, 2015,arXiv:1511.06422. [Online]. Available: https://arxiv.org/abs/1511.06422
[31] J. Donahue, Y. Jia, O. Vinyals, J. Hoffman, N. Zhang, E. Tzeng, andT. Darrell, Decaf: A deep convolutional activation feature for genericvisual recognition, in Proc. Int. Conf. Mach. Learn., Jan. 2014,pp. 647 655.
[32] Y. Zhang, L. Wang, Z. Wu, J. Zeng, Y. Chen, R. Tian, J. Zhao, andG. Zhang, Development of an automated screening system for retinopathyof prematurity using a deep neural network for wide-angle retinal images,IEEE Access, vol. 7, pp. 10232 10241, 2019.
[33] K. Simonyan and A. Zisserman, Very deep convolutional networksfor large-scale image recognition, 2014, arXiv:1409.1556. [Online].Available: https://arxiv.org/abs/1409.1556
[34] K. He, X. Zhang, S. Ren, and J. Sun, Deep residual learning forimage recognition, in Proc. IEEE Conf. Comput. Vis. Pattern Recognit,Jun. 2016, pp. 770 778.
[35] A. Kychenthal, P. Dorta, and X. Katz, Zone i retinopathy of prematurity:Clinical characteristics and treatment outcomes, Retina, vol. 26, no. 7,pp. S11 S15, Sep. 2006.
[36] D. H. Shin, M. Kong, S. J. Kim, D. I. Ham, S. W. kang, Y. S. Chang, andW. S. Park, Risk factors and rate of progression for zone I versus zone IItype 1 retinopathy of prematurity, J. Amer. Assoc. Pediatric Ophthalmol-ogy Strabismus, vol. 18, no. 2, pp. 124 128, Apr. 2014.
[37] W. V. Good and R. J. Hardy, The multicenter study of Early Treatmentfor Retinopathy of Prematurity (ETROP), Ophthalmology, vol. 108, no. 6,pp. 1013 1014, Jun. 2001.

版权说明：
本文由 youcans@xidian 对论文 一种用于识别视网膜图像中 Zone-I 的深度学习框架（A Deep Learning Framework for Identifying Zone I in RetCam Images） 进行摘编和翻译。该论文版权属于原文期刊和作者，本译文只供研究学习使用。

引用格式：
Jinfeng Zhao, Guoming Zhang, et al., A Deep Learning Framework for Identifying Zone I in RetCam Images. IEEE Access. 2019, 7, 103530-103537, doi: 10.1109/ACCESS.2019.2930120.

youcans@xidian 作品，转载必须标注原文链接：
【医学影像 AI】用于识别视网膜图像中 Zone-I 的深度学习框架
(https://youcans.blog.csdn.net/article/details/153271950)
Crated：2025-10