Fengrui Yang, Bohui Wang, Kun Lv, Yitong Hu, Xiang Meng, Zeyu He, Huijuan Wu
原发性房角关闭疾病（PACD）是一种以房角解剖结构闭合为典型病理特征的眼科疾病。超声生物显微镜（UBM）作为关键评估工具，可为房角状态提供高分辨率图像。本研究设计并实现了一套基于深度学习的UBM图像自动分析系统，该系统针对PACD相关房角参数进行量化测量。实验数据来源于正常对照受试者和PACD患者的UBM图像样本。模型构建采用U-Net神经网络架构，分设两个独立模块：前者用于眼前节组织分割，后者则负责巩膜突定位任务。基于分割与定位结果，本研究应用计算机视觉算法自动计算多项房角参数，包括小梁虹膜角、房角开放距离、小梁网虹膜间面积以及睫状突面积。系统性能评估表明，眼前节组织分割的并集交并比均值均表现优异（角膜-巩膜为0.93、虹膜为0.92、睫状体为0.87）；巩膜突定位的平均误差低至60.24微米；参数测量的一致性通过类内相关系数（ICC）验证，各参数ICC值皆高于0.97。这反映自动测量与人工标注的高度一致性。本研究构建的自动化系统具备高效性与准确性，显著提升了UBM在PACD临床诊疗及科研活动中的应用潜力。