期刊名： Vision

期刊主页：https://www.mdpi.com/journal/vision

原文链接：https://www.mdpi.com/2411-5150/8/3/48

糖尿病视网膜病变（Diabetic Retinopathy, DR）是全球成人致盲的主要原因之一。如何在早期阶段快速、准确地检测病灶，是提高预防和诊疗水平的关键。近日，来自拉脱维亚大学物理、数学与视光学院视光与视觉科学系的 Nicola Rizzieri 团队在 Vision 期刊发表研究成果，展示了如何利用最新的 YOLOv8 与 YOLOv9 计算机视觉模型，在无需编程经验的情况下实现 DR 眼底图像的特征分割，为眼科影像智能诊断提供了新的思路。

研究背景

计算机视觉在医学影像分析领域具有重要作用，特别是在眼病的早期检测与分类中表现出巨大潜力。糖尿病视网膜病变作为糖尿病的严重并发症，早期特征主要包括微动脉瘤（MA）、出血（HEMO）和渗出物（EX）等。这些病灶的精准分割和识别，是辅助医生诊断与治疗的重要前提。然而，传统方法往往依赖编程技能与深度学习背景，限制了非专业人士的应用。

研究亮点

•零编程门槛：利用 YOLOv8 与 YOLOv9 最新模型框架，实现免编程的自动化特征分割。

•多类型病灶检测：模型同时识别 MA、HEMO、EX 以及视盘等关键结构。

•轻量化与高效性：通过数据增强与模型优化，在小样本条件下获得较高精度。

•对比分析：评估 YOLOv8 与 YOLOv9 的性能差异，为后续模型选型提供参考。

研究过程与结果

研究团队从公开的 MESSIDOR 数据库中选取 100 张 DR 眼底图像，进行了人工标注，以明确病灶位置与类别。随后，通过平铺、翻转、旋转等数据增强方法扩充训练集，提高模型对不同病灶形态的适应性。他们在 YOLOv8 和 YOLOv9 的多个模型变体上分别进行了训练与测试，评估指标为 平均精度（mAP）。结果显示，两种模型在 MA、HEMO、EX 以及视盘检测中均取得较为理想的精度表现，其中 YOLOv9 的整体性能略优于YOLOv8，为后续研究提供了潜在优化方向。

研究总结与展望

该研究表明，即使在缺乏编程经验的情况下，也可以通过先进的计算机视觉模型完成 DR 关键病灶的自动分割。这为未来推动智能化、普适化的糖尿病眼病早筛工具奠定了基础。作者也指出，目前模型距离临床实践仍存在差距，未来可通过优化微动脉瘤分割算法、改进图像预处理方法以及建立更大规模的标准化数据集进一步提升检测精度与临床可用性。