目前，随着人口的增长和老龄化问题的加重，青光眼的患病比例也在逐步提升，且最终有致盲风险，因此青光眼疾病早诊断，早预防，早治疗的任务便迫在眉睫。但是当过多人需诊断时，这无疑给医疗系统、医疗人员带来了巨大压力。所以这个时候，计算机辅助诊断系统将很有利地改善传统的工作流程，减轻医疗压力。通过自动诊断、自动评估、对比结果，可以辅助临床医生识别青光眼患者、监测患者目前情况、追随治疗结果，从此来减轻医生工作压力，优化医疗资源，减少误诊率。 本项目研究了青光眼辅助诊断平台的PC端应用，可以提供给各大眼科医院的临床医生，以此来减轻其需要大量阅片的工作压力，此外也可以给缺乏影像科医生的偏远地区或者缺乏丰富诊断经验的初级医生使用。
在我们的实验中，我们使用了三个青光眼筛查数据集。 第一个是 ORIGA 数据集，其中包含来自不同眼睛的 650 幅眼底图像，其中包括 168 张青光眼眼底图像和 482 张未患病眼底图像，每张图片都人工进行了视杯视盘的圈定标记。第二个是新加坡华人眼科研究（SCES）数据集，包含 1676 张图像，来自于 46 例青光眼病例。此外，还使用了一个名为新加坡印度眼科研究 (SINDI) 数据集的新数据集。SINDI 数据集也是由新加坡眼科研究所进行的一项面向大众人群的研究，旨在评估新加坡印度社区视力障碍的风险因素。在这个数据集中，共有 5783 幅眼底图像，包括 113 张青光眼眼底图像和 5670 张正常图像。只有 ORIGA 数据集具有人工标记的视盘边界地面实况，因此，我们使用 ORIGA 数据集中的所有 650 张图像进行网络训练，包括视盘分割和青光眼筛查，并使用 SCES 和 SINDI 数据集进行测试。
- 前端：使用Vue.js@3搭建交互式前端界面，使用VueUse改善系统易用性
- 后端：使用Flask提供后台服务，使用PyTorch提供深度学习模型支持，使用service_streamer提供异步批量预测支持
图1：模型异步预测示意图
本项目目前研发了青光眼辅助诊断平台的PC端应用，可以提供给在医院工作的临床医生，减轻他们大量阅片的压力。应用的操作大致如下：
图2 信息导入
图2是平台的初始操作界面，医生将存于电脑中就诊者的眼底图像上传至平台，便完成了第一步操作，成功导入就诊者的信息。
图3 进行诊断
如图3所示，进入诊断步骤，如图可以看见该平台可以记录多条病人信息，这样医生在诊断的同时，也可以快捷读取之前的患者信息，方便进行更好的比对和诊断。
图4 最终结果
图4所示，便是我们在对数据集中某一张眼底图像进行检测后的结果，可以看出我们不但综合了各部分结果给出医生该结果的置信度，也同样陈列出各个模块的检测详情数据，方便医生做出更好的判断。
同时，我们也支持多种图像增强方式加持下的辅助诊断方式[WIP]：
