目前青光眼评估的临床方法包括视野检查、视神经乳头评估和眼压测量。眼压测量的局限性在于，该值取决于受试者中央角膜的厚度，因此用来进行青光眼检测是不准确的。另一方面，视野检查不适合人群筛查，因为这种检查的专用设备只能在专门的医院中使用。如今，许多研究人员从2D视网膜眼底图像自动检测青光眼。有几个研究小组提出了在图像层面使用特征对正常和青光眼图像进行二值分类的方法，其中分类和特征选择策略是具有挑战性的。这些方法作为黑匣子技术而不提供在临床上有意义的测量。还有一些研究人员则遵循临床指标，如CDR。虽然这些因素的可用性对于某些眼科医生可能是具有争议的，但是CDR还是为大多数临床医生所用。一般来说，CDR越大表明青光眼的风险越高，反之亦然。研究人员提出了基于重建的方法。在该方法中，研究人员首先从一组参考视盘X来重建待测视盘y。然后通过这些参考视盘的 CDR 的加权组合来估计其CDR。直觉上，研究人员希望最小化y和Xw之间的差异，其中w为重建系数。然而，y和Xw之间的像素距离不足以产生精确的CDR来估计良好解决方案。为了改善CDR估计，研究人员希望找到一组类似于测试视盘图像的参考视盘图像。另外，这些视盘的CDR与测试图像相似。这意味着具有非零权重的视盘应具有小范围的CDR。相应地，系数w对于一些相似的具有相近的CDR的参考盘应该具有非零元素。为此，宁波材料所所属二级慈溪医工所智能医学图像处理团队（iMED中国）提出了一种新的重构方法，即将稀疏组套索约束与相似性正则化相结合的相似性正则化稀疏组套索。于此同时，研究团队的科研还发现把基因数据和图像特征相结合能提高诊断的准确性。
除了提出一种新的CDR计算方法外，该团队还介绍了用于公共研究的数集（Biomedical Optics Express, 8(8)）。公共数据集在医学影像研究中是罕见的资源。它包含来自不同眼睛的650幅图像，包括168只青光眼和482只正常眼。值得注意的是，研究团队的数据集是从基于普查人口的研究中获得的，因此是能够代表实际的数据集。为了后续研究的方便，研究团队将数据集划分为两个子集A和B，以便不同的研究人员对训练和测试数据集进行相同的划分。
具有明显的视杯边界的两个图像和具有不清楚的视杯边界的两个视盘图像
基于重建的CDR计算的例证
（慈溪医工所 程骏）
