家族性渗出性玻璃体视网膜病是一种遗传性视网膜血管化不全性疾病，可能会导致一系列视力问题，包括部分或完全丧失视力，因此，早期诊断和预防疾病的进展至关重要。本公司团队参与开发了一个基于深度学习和领域知识相结合的FEVR自动诊断系统，设计了一种迁移学习方案训练深度卷积神经网络进行血管分割，并对网膜无血管面积、血管角度、分形维数、血管分支和密度等进行分析，实现FEVR的自动诊断。

广角眼底照相常用于FEVR患者的快速筛检和诊断，该研究收集了大量的*像素、°范围的超广角眼底图像，并通过图像裁剪、伽马校正、直方图均衡、直方图匹配、边缘标注和区域分割的方法进行了图像处理。

团队提出了基于U-NET的深度卷积神经网络RU-NET，通过迁移学习的训练后，实现了新的精确血管分割方式。通过对视网膜无血管面积、血管角度、分形维数、血管分支和血管密度等血管特征的指标计算和分析，并通过设计消融结构和分类方法获得了最佳模型，实现了FEVR分类融合网络的设计，并实现FEVR的自动诊断。

FEVR的治疗取决于病情的严重程度和出现的具体症状。在某些情况下，密切监测病情可能就足够了，而在其他情况下，可能需要手术来修复视网膜脱离或其他视力问题。还可以建议FEVR患者及其家庭成员进行遗传咨询，以帮助识别和管理该疾病遗传给后代的风险。

参考文献：

YeY,MaoJ,LiuL,etal.AutomaticDiagnosisofFamilialExudativeVitreoretinopathyUsingaFusionNeuralNetworkforWide-AngleRetinalImages[J].IEEEAccess,,PP(99):1-1