基于人工智能自动分析技术的视网膜血管形态参数测量及特征分析.pdf

D0:10.3760/cma5989-20220715-00326临床研究38Chin JExp Ophthalmol,January 2024,Vol.42,No.1中华实验眼科杂志2 0 2 4年1月第42 卷第1期基于人工智能自动分析技术的视网膜血管形态参数测量及特征分析史绪晗董力邵蕾凌赛广2董洲2 牛牛莹？张瑞恒！周文达魏文斌1首都医科大学附属北京同仁医院北京同仁眼科中心眼内肿瘤诊治研究北京市重点实验室北京市眼科学与视觉科学重点实验室医学人工智能研究与验证工信部重点实验室，北京10 0 7 30；依未科技（北京）有限公司，北京10 0 0 8 5通信作者：魏文斌，Email：w e iw e n b in t r 16 3.c o m【摘要】目的基于人工智能技术对视网膜血管形态学参数进行全自动定量测量，分析我国北方50 岁以上人群视网膜血管参数及分布特征。方法采用横断面研究方法，纳人2 0 11年1月至2 0 2 1年12 月就诊于北京同仁医院的50 岁以上无眼底病的患者18 42 例，对纳人的受试者进行标准化问卷调查、抽血和眼科检查；收集各受试者任意一眼以视盘为中心的彩色眼底照片，采用基于深度学习的语义分割网络ResNet101-Unet构建血管分割模型，进行全自动视网膜血管参数定量测量，主要测量指标包括视网膜血管分支夹角、血管分形维数、血管平均管径和血管平均弯曲度。比较不同性别间各视网膜参数的差异。采用多元线性回归分析法分析最佳矫正视力、眼压、眼轴长度等眼部因素和性别、年龄、高血压、糖尿病、心血管疾病等全身因素是否是各视网膜血管参数的影响因素。结果模型对于血管分割和视盘分割的准确度均高于0.9 5。18 42 例受试者血管分支夹角为（51.0 2 311.6 2 3）；血管分形维数为1.57 3（1.542，1.59 2）；血管平均管径为64.124（6 0.8 14,6 9.0 53）m；血管平均弯曲度为（0.0 0 10 6 2 0.0 0 0 16 5）。男性血管分支夹角大于女性，血管平均管径和血管平均弯曲度小于女性，差异均有统计学意义（均P0.05）。全身因素多元线性回归分析结果显示，患有心血管疾病的人群较无心血管疾病的人群血管平均管径增大1.142 m（B=1.142,P=0.0 2 9,95%CI:0.1162.167）；血管平均弯曲度与高血压（B=3.05310-5,P=0.002,95%CI:1.1671054.93410*5）和饮酒量（B=1.03610-5,P=0.014,95%CI:0.21110-51.86010-5）呈正相关，与高脂血症呈负相关（B=-2.42 2 10 ,P=0.0 15,9 5%Cl：-4.38 2 10 5-0.46 2 10 ）。眼部因素多元线性回归分析结果显示，眼轴长度每增加1mm，血管分形维数减小0.0 0 4（B=-0.004,P0.001,95%CI:-0.006-0.002），血管平均管径减小0.2 6 6 m（B=-0.2 6 6,P=0.0 37,9 5%Cl:-0.516 -0.0 16），血管平均弯曲度减小-2.4510-5（B=-2.4510*5,P0.001,95%CI:-0.31310*5-0.17710*5）。BCVA 每增加1.0，血管分支夹角增大3.9 9 2（B=3.9 9 2,P=0.0 0 4,9 5%C I:1.2 8 3 6.7 0 2），血管分形维数增大0.0 9 0(B=0.090,P0.001,95%CI:0.0780.102），血管平均管径减小14.8 13m（B=-14.8 13,P 0.0 0 1,9 5%CI:-16.47 4-13.153）。结论成功构建视网膜血管分割模型。视网膜血管参数与性别、年龄、系统性疾病和眼部因素存在关联。【关键词】视网膜血管；眼底照相；形态学参数；人工智能基金项目：国家自然科学基金（8 2 14112 8）；首都卫生发展科研专项（2 0 2 0-1-2 0 52）；北京市科委科技计划项目（Z201100005520045、Z18 110 0 0 0 18 18 0 0 3）Measurement and characterization of retinal vascular morphology parameters based on artificial intelligenceautomated analysis technologyShi Xuhan,Dong Li,Shao Lei,Ling Saiguang,Dong Zhou,Niu Ying,Zhang Ruiheng,Zhou Wenda,Wei WenbinBejing Tongren Eye Center,Beijing Key Laboratory of Intraocular Tumor Diagnosis and Treatment,BeijingOphthalmology&Visual Sciences Key Lab,Medical Artificial Intelligence Research and Verification Key Laboratory ofthe Ministry of Industry and Information Technology,Bejing Tongren Hospital,Capital Medical University,Bejing100730,China;EVision Technology（Be i j i n g)Co.LT D,Be i j i n g 10 0 0 8 5,Ch i n aCorresponding author:Wei Wenbin,Email:AbstractObjectivee To analyze retinal vascular parameters and distribution characteristics in Chinese39.ChinJExpOpohthalmoanuary2024.Vo1.42.No.1中华实验眼科杂志2 0 2 4年1月第42 卷第1期population via the fully automated quantitative measurement of retinal vascular morphological parameters based onartificial intelligence technology.IMethods A cross-sectional study was performed.A total of 1 842 patients withoutfundus diseases who visited Beijing Tongren Hospital from January 2011 to December 2021 were included.Standardized questionnaires,blood draws and ophthalmologic examinations of enrolled subjects were conducted.Colorfundus photographs centered on the optic disk of one eye of patients were collected,and a deep learning-basedsemantic segmentation network ResNetl01-Unet was used to construct a vascular segmentation model for fullyautomated quantitative measurement of retinal vascular parameters.The main measurement indexes included retinalvascular branching angle,vascular fractal dimension,average vascular caliber,and average vascular tortuosity.Tocompare different retinal parameters between sexes,the correlation between the above parameters and ocular factorssuch as best corrected visual acuity,intraocular pressure,and axial length,as well as systemic factors such as sex,age,hypertension,diabetes mellitus,and cardiovascular disease was analyzed.This study adhered to the Declaration ofHelsinki.The study protocol was approved by the Ethics Committee of Beijing Tongren Hospital,Capital MedicalUniversity(No.20001220).Written informed consent was obtained from each subject.ResultsThe modelestablished in this study achieved an accuracy over 0.95 for both vascular and optic disk segmentation.The vascularbranching angle,vascular fractal dimension,average vascular caliber,and average vascular tortuosity were(51.02311.623),1.573(1.542,1.592),64.124(60.814,69.053)m,(0.001 0620.000 165),respectively.Comparedwith females,males had larger vascular branching angle,smaller average vascular caliber and smaller vasculartortuosity,and the differences were statistically significant(all at P0.05).The average vascular caliber increased by1.142 m in people with cardiovascular disease compared to people without cardiovascular disease(B=1.142,P=0.029,95%Cl:0.116-2.167).The average vascular tortuosity was positively correlated with hypertension(B=3.053x105,P=0.002,95%CI:1.16710-5-4.93410-5)and alcohol consumption（B=1.0 36 x 10-5,P=0.0 14,95%Cl:0.211x 10-5-1.860105)and negatively corelated with hyperlipidemia(B=-2.42210-,P=0.015,95%Cl:-4.382x10-5-0.462x10-5).For each 1-mm increase in axial length,there was a decrease of 0.004 in vesselfractal dimension(B=-0.004,P0.001,95%Cl:-0.006-0.002),a decrease of 0.266 m in the average vesselcaliber(B=-0.266,P=0.037,95%Cl:-0.516-0.016),and a decrease of-2.45 10-5o in the average vessel tortuosity(B=-2.4510-5,P0.001,95%Cl:-0.31310-5-0.17710*5).For each 1.0 increase in BCVA,therewas an increase of 3.992 in the vascular branch angle(B=3.992,P=0.004,95%Cl:1.283-6.702),an increase of0.090 in vascular fractal dimension(B=0.090,P0.001,95%CI:0.078-0.102)and a decrease of 14.813 m inthe average vascular diameter(B=-14.813,P 50 岁；眼底照片清晰可评价者。排除标准：不能配合问卷调查和眼科检查者；眼底照片显示有明显眼底疾病者。本研究遵循赫尔辛基宣言，研究方案经首都医科大学附属北京同仁医院伦理委员会审查批准（批文号：北京市眼病研究伦理鉴定书20001220），所有参与者均签署知情同意书。1.22方法1.2.1检查项目和步骤对纳人的受试者进行标准化问卷调查、抽血和眼科检查。问卷内容包括年龄、性别、家庭状况、受教育程度、收入、生活质量、吸烟史、饮酒史、已知的主要系统性疾病，如高血压、糖尿病、心血管疾病、脑卒中，以及眼部疾病及手术史。采集空腹血样检测血脂、血糖。测量血压，记录身高、体质量、腰围和臀围。眼科检查包括裸眼视力、最佳矫正视力（bestcorrectedvisualacuity，BCVA）；采用电脑验光（AR2600，日本Nidek公司）对矫正视力低于1.0 的受试者进行插片验光；采用非接触眼压计（CTI260型，日本Topcon公司）测量眼压；扩瞳后采用裂隙灯显微镜检查眼前节；采用彩色眼底照相（CR 6-45NM，日本Canon公司）分别拍摄以黄斑、视盘为中心45眼底照片；采用光学生物测量仪（LensStar900，瑞士Haag-Streit公司）测量眼球生物学参数。1.2.2基于人工智能的视网膜血管参数自动分析对受试者以视盘为中心的彩色眼底图像进行分析，测量指标包括视网膜血管分支夹角、血管分形维数、血管平均管径和血管平均弯曲度，并进一步分析距视盘边界0.5 1.0 视盘直径（papillarydiameter,PD）、1.0 1.5PD、1.5 2.0 PD、2.0 2.5PD 环形区域的血管平均弯曲度。视网膜血管分形维数表示视网膜血管网络的分支复杂性，反映整个视网膜循环中的血液分布，数值越大表示分支越复杂8 ；视网膜血管弯曲度反映视网膜血管的卷曲程度，数值越小提示视网膜血管越平直。通过计算机图像处理方法对彩色眼底图像上的血管和视盘特征进行自动分割，并提取血管中心线，从而计算血管管径、弯曲度、分形维数、血管分支夹角等形态参数指标1.2.2.1图像预处理对彩色眼底图像进行感兴趣区域（r e g i o n s o f i n t e r e s t,R O I）提取、去噪、归一化以及增强操作10-11对图像进行通道分离后，利用阈值分割方法对红色（R）通道进行阈值分割，获得ROI预选区，之后基于预选区的位置、面积、圆度等特性进行筛选，再借助形态学运算确定边界，从而获得最终的ROI,即彩色眼底图像上有效的视网膜成像区域，减少背景等无效区域对后续特征识别和分割的干扰；通过低通滤波去噪，减少拍摄和相机成像过程中形成的噪声，并通过均值校准和重采样对图像颜色、亮度和尺寸进行归一化处理，从而降低图像间的差异性，最后利用限制对比度的自适应直方图均衡（contrast-limitedadaptivehistogramequalization，CLA H E）算法对图像进行增强，凸显视网膜特征。1.2.2.2血管分割采用基于深度学习的语义分割网络ResNet101-Unet构建血管分割模型，以提取视网膜各级分支血管的血管特征12 。样本标注采用机器辅助半自动标注的方式，首先将彩色图像转换成灰度图像，采用最大类间方差法（MaximumBetween-ClassVariance，O T SU 法）算法对灰度图像进行分割得到暗色区域，然后基于血管在眼底图像上表现出来的亮度和形态等特征对暗色区域进行筛选，从而得到血管预选区域。由2 名眼底专业高年资主治医师对血管预选区域进行手动修改校正，其中一人初步校正，另外一人进行复核和修正，从而得到最终的血管样本图像(图1)。将标注的7 55张图像分为训练集（6 55张）和验证集（10 0 张），将训练集输人ResNet101-Unet网络进行模型训练，通过验证集计算网络模型的损失值（loss），并根据loss值对模型参数进行调整优化，直至训练集到验证集的loss值不再下降时停止训练，从而得到最终的血管分割模型。对此模型进行血管分割处理(图2)。1.2.2.3视盘分割基于深度学习目标检测方法对视盘进行检测，从而定位视盘位置。其中目标检测模型网络选用SSD（Si n g l e Sh o t D e t e c t i o n），网络结构中的主干网络选用Resnet50，以公开可获得的Kaggle竞赛机器初步分割人工修正和复核输人原图血管预选区域最终标注样本图1眼底图像的血管标注流程Figure1Vascular labeling process of fundus image:41ChinJExpnalmoJanuary2024.Vol.42.No.中华实验眼科杂志2 0 2 4年1月第42 卷第1期数据集中的2 0 0 0 例以视盘为中心的眼底照片训练样本进行模型的训练获得视盘检测模型，从而最终获得视盘目标检测框，并以目标检测框的中心点作为视盘中心点。基于视觉注意机制确定视盘边界13：以视盘定位获得的中心点为原点，对眼底图像进行极坐标变换，在极坐标图像上，使用边缘检测算子得到极坐标下的视盘边缘；对图像进行反变换，从而获得直角坐标系下的视盘边缘，实现对视盘的精细分割；针对分割获得视盘区域进行最小外接圆拟合，以外接圆的圆心定位最终视盘中心点，并以外接圆直径定义1PD(图3)。B图2眼底图像的血管分割模型示意图A：原图B：预处理后图像C：模型血管分割图像Figure 2 Schematic diagram of vascular segmentationA:OriginalimageB:PreprocessedimageC:Blood vessel image after segmentationB图3眼底图像的视盘分割示意图A：原图B：视盘目标检测框图C：视盘分割图D：视盘外接圆和直径拟合Figure 3Schematic diagram of optic disk segmentation in fundusimagesA:OriginalimageB:OpticdisktargetdetectionC:Opticdisk segmentationD:Fitting of outer circle and diameter of optic disk1.2.2.4血管和视盘分割精度评价随机选取10 0张经人工标注审核的彩色眼底图像作为测试样本，每张眼底图像分别标注血管和视盘，每张人工标注图像均由2 位医生参与，其中一人进行初始标注或修正，另一人进行复核和进一步修正。将模型自动分割结果与人工标注结果进行对比，以像素为单元，分别按照公式计算准确度、敏感度、特异性和交并比。模型自动分割结果分为4类：（1）真阳性（truepositives,TP)预测为阳性样本且预测正确；（2）真阴性(true negatives,TN)预测为阴性样本且预测正确；（3）假阳性（false positives,FP）预测为阳性样本，但预测错误；（4）假阴性（false negatives，FN）预测为阴性样本，但预测错误。计算公式如下：准确TP+TNTP度=敏感度特异性=TP+TN+FP+FNTP+FNTNTP交并比TN+FPTP+FP+FN1.2.2.5分形维数计算主要计算血管计盒维数。将眼底图像进行网格化，形成一系列边长（）不同的网格,计算在每一边长的网格里，与血管存在交集的网格数（N）。将每次的血管交集网格数与其边长的倒数在对数下拟合直线，所得的直线斜率即为计盒维数，计logN()算公式如下：dimbox=lim801.2.2.6血管管径测量以分割获得的血管图像为基础，基于血管边界进行双向形态学腐蚀运算处理,从而获得血管中心线。在血管中心线上，间隔一定步长求中心线上点切线的正交直线，该直线与血管边界相交于两点，计算两点间的欧式距离d,即为该点对应的血管管径，眼底血管平均管径即是中心线上各点对应的血管管径的平均值。以视盘中心为参考原点，以0.5PD为参考距离分区，计算不同区域内血管管径的平均值，即作为该区域的血管平均管径值，最后以1PD为1.5mm作为参考,对血管管径值进行单位换算(图4)。图4血管管径测量示意图A：血管管径测量黄线为中心线，蓝线为血管边界，红线为中心线的正交线B：分区血管管径测量以0.5PD为参考距离进行分区Figure 4Schematic diagram of vessel diameter measurementA:Vascular diameter measurement Yellow line was the centerline.Bluelines showed vessel boundary.Red lines were orthogonal to thecenterline B:Vascular diameter measurement by regionZoningwith0.5PDasareferencedistance42：Chin J Exp Ophthalmol,January 2024,Vol.42,No.1中华实验眼科杂志2 0 2 4年1月第42 卷第1期1.2.2.7血管弯曲度测量选取血管中心线的一点作为A点，分别在A点两侧选择B点和C点，保证这2个点距离A点的线上距离相等，即AB=AC;RA为A、B、C这3个点组成的ABC的外接圆半径，即R=a12./A:C。为 A点处的血管曲率,即 C.=7计算血管RA中心线上各像素点曲率的平均值作为血管平均弯曲度（图5）。以视盘中心为参考原点，以0.5PD为参考距离分区，计算不同区域内血管平均弯曲度。BaCCbA图5血管弯曲度计算示意图Figure 5 Schematic diagram of blood vessel curvature calculation1.2.2.8血管分支夹角测量以主血管与分支血管的平均夹角为血管分支夹角。在距离视盘边界2 PD范围内，以视盘为参考，上下半区各取一条管径最大的血管作为主血管。以血管中心线为基础,基于8 邻域算法计算主血管中心线上每个像素点对应的邻域像素数量，将邻域像素数量为3的点作为分支点。以分支点为起点，在主血管中心线和对应的分支血管中心线上各自提取距离分支点线上距离为10 个像素的点，分别进行直线拟合，之后计算2 条直线的夹角作为该分支点处的夹角。求取距离视盘边界2 PD范围内主血管上所有的夹角，取其平均值作为血管分支夹角(图6)。1.3统计学方法采用SPSS25.0统计学软件进行统计分析。采用Kolmogorov-Smirnov检验方法检验数据的正态性，视网膜血管分支夹角和血管平均弯曲度等数据符合正态分布，以xs表示，不同性别组间比较采用独立样本t检验；视网膜血管分形维数和血管平均管径数据为非正态分布，以M（Q 1,Q）表示，不同性别组间比较采用Mann-WhitneyU检验。采用Spearman秩相关分析法分析各测量指标与其他变量的相关性；以Spearman秩相关分析中与血管分支夹角、血管分形维数、血管平均管径和血管平均弯曲度相关的因素作为自变量，以视网膜血管参数为因变量，进行多元线性回归分析。P0.05为差异有统计学意义。图6 血管分支夹角示意图蓝色虚线为视盘边界2 PD范围，黑色虚线为距离分支点线上10 个像素的点的拟合直线Figure6Schematic diagram of intersection angle of vascularbranches Blue dashed line was 2 PD range of optic disk,and blackdashed lines were fitted straight lines to points 10 pixels from vascularbranches2结果2.1模型的验证对模型的血管和视盘分割的评价结果显示，模型对视网膜血管分割的准确度为0.9 6 6，敏感度为0.888,特异性为0.9 7 4，交并比为0.7 11；视盘分割的准确度为0.9 9 8,敏感度为0.9 6 9，特异性为0.9 9 9，交并比为0.9 39。模型在血管分割和视盘分割方面均具有较高的准确度。2.2研究人群基本信息分析受试者眼轴长度为（2 3.2 2 1.18）mm，屈光度为（-0.2 52.2 2）D，血管分支夹角为（51.0 2 311.623），血管分形维数为1.57 3（1.542，1.59 2），血管平均管径为6 4.12 4（6 0.8 14,6 9.0 53）m，血管平均弯曲度为(0.0 0 10 6 2 0.0 0 0 16 5)。男性血管分支夹角大于女性，血管平均管径和血管平均弯曲度小于女性，差异均有统计学意义（均P0.05）。不同性别间血管分形维数比较差异无统计学意义（Z=-6.82,P=0.495)（表1)。2.3视网膜血管参数与全身因素的单因素相关分析Spearman秩相关分析结果显示，视网膜血管分支夹角与收缩压、脑卒中呈弱负相关（均P0.05）；血管分形维数与年龄、收缩压、高血压、高脂血症、糖尿病、心血管疾病、脑卒中呈负相关，与BMI和饮酒量呈弱正相关（均P0.05）；血管平均管径与年龄、收缩压、高血压、糖尿病、心血管疾病、脑卒中呈正相关，与舒张压和饮酒量呈负相关（均P0.05）；血管平均弯曲度与年龄呈负相关，与BMI、收缩压、舒张压和高血压呈正相关（均P0.05）（表2）。43ChinJ Exp Ophthalmol,January 2024,Vol.42,No.1中华实验眼科杂志2 0 2 4年1月第42 卷第1期表1不同性别间视网膜血管参数比较Table1Comparison of retinal vascular parameters between sexes性别眼数血管分支夹角（）血管分形维数b血管平均管径(m）b血管平均弯曲度（）男77252.12110.9621.571(1.542,1.591)63.575(60.755,68.497)0.001 0510.000 155女107050.23212.0201.574(1.542,1.592)64.633(60.871,69.476)0.001 0700.000 171tZ值3.452-6.82-2.620-2.455P值0.0010.4950.0090.014注：（a：独立样本t检验；b：M a n n-W h i t n e y U 检验）Note:(a:Independent samples t-test;b:Mann-Whitney U test)表2 视网膜血管参数的单因素相关分析Table2Single factor correlation analysis of retinal vascular parameters血管分支夹角血管分形维数血管平均管径血管平均弯曲度相关因素T。值P值T值P值T，值P值T值P值全身因素性别-0.0750.0010.0160.4960.0610.0090.0620.007年龄0.0400.084-0.5710.0010.4610.001-0.0640.006BMI-0.0120.5990.0770.001-0.0370.1180.1020.001饮酒量-0.0310.1890.1040.0010.1350.0010.0370.114收缩压-0.0670.004-0.2280.0010.1000.0010.1180.001舒张压-0.0110.636-0.0080.721-0.0890.0010.0950.001高血压-0.0370.131-0.1780.0010.1270.0010.0850.001高脂血症-0.0010.962-0.0790.0040.0490.0750.0290.291糖尿病0.0340.179-0.0810.0010.1410.001-0.0160.535心血管疾病-0.0340.177-0.1830.0010.1810.001-0.0320.202脑卒中-0.0510.034-0.1470.0010.1220.0010.0190.430眼部因素BCVA0.0860.0010.4900.0010.4790.0010.0060.797等效球镜度数0.0450.0570.0990.001-0.0800.0010.1080.001眼轴长度0.0010.974-0.1630.001-0.0850.001-0.1830.001中心凹下脉络膜厚度0.0590.0150.3770.001-0.2770.0010.1360.001注：（Spearman秩相关分析，n=1842)BMI：体质量指数；BCVA：最佳矫正视力Note:(Spearman rank correlation analysis,n=1 842)BMI:body mass index;BCVA:best corrected visualacuity2.4视网膜血管参数与全身因素的多元线性回归分析多元线性回归分析显示，年龄每增加1岁，血管分支夹角减小0.0 9 4（B=-0.094,P=0.007,95%CI：-0.162-0.026），女性较男性血管分支夹角减小2.881(B=-2.881,P 0.001,95%CI:-4.196-1.565）；年龄每增加1岁，血管分形维数减小0.0 0 3(B=-0.003,P0.001,95%CI:-0.003 3 -0.002 7),女性较男性血管分形维数小0.0 0 6（B=-0.006,P=0.036,95%CI：-0.0 12 0.0 0 0）；年龄每增加1岁，血管平均管径增大0.37 0 m（B=0.37 0,P 0.0 0 1，95%CI:0.3270.413），患有心血管疾病的人群较无心血管疾病的人群血管平均管径增大1.142 m（B=1.142,P=0.029,95%CI:0.1162.167）,男性较女性血管平均管径减小1.539 m(B=-1.539,P 0.001,95%CI:0.7672.311)。患高血压人群较无高血压人群血管平均弯曲度增大3.0 5310-5。(B=3.0 53 10 5,P=0.002,95%CI:1.167 10-5 4.93410-）；平均每日饮酒量增加50 g，血管平均弯曲度增大1.0 36 10-5（B=1.03610-s,P=0.014,95%CI:0.21110-5 1.860 105)。患高脂血症人群较无高脂血症人群血管平均弯曲度减小2.42210-5(B=-2.42210-s,P=0.015,95%CI:-4.382x105-0.46210-）（表3)。进一步分析距视盘0.51.0 PD、1.0 1.5 PD、1.5 2.0 PD、2.0 2.5 PD 环形区域的血管平均弯曲度，显示各分区血管平均弯曲度与上述各因素均无明显相关性。2.5视网膜血管参数与眼部因素的多元线性回归分析多元线性回归分析显示，BCVA每增加1.0，血管分支夹角增大3.9 9 2（B=3.992，P=0.004,95%6CI:1.2836.702），血管分形维数增大0.0 9 0（B=0.090,P0.001，95%CI:0.0780.102），血管平均管径减小14.8 13m(B=-14.813,P0.001,95%CI:-16.474 -13.153);眼压每增加1mmHg（1mmH g=0.133k Pa），血管分形维数减小 0.0 0 1(B=-0.001,P0.001,95%CI:-0.002-0.001），血管平均管径增加0.135m（B=0.135,P=0.001，9 5%C I:0.0 52 0.2 18）；眼轴长度每增加1mm,血管分形维数减小0.0 0 4（B=-0.004,P0.001,95%CI:-0.006-0.002），血管平均管径减小0.266 m(B=-0.266,P=0.037,95%CI:-0.516-0.016），血管平均弯曲度减小-2.4510-5（B=-2.4510*s,P0.001,95%CI:-0.313105-0.177105)(表4)。.44Chin J Exp Ophthalmol,January2024,Vol.42.No.1中华实验眼科杂志2 0 2 4年1月第42 卷第1期表3视网膜血管参数与全身相关因素的多元线性回归分析Table3Multiple linear regression analysis of retinal vascular parameters andsystemic correlates视网膜血管参数及标准化B值标准误t值P值95%CI全身相关因素系数血管分支夹角年龄-0.0940.035-0.079-2.7200.007-0.162-0.026性别-2.8810.670-0.124-4.2970.001-4.196-1.565血管分形维数年龄-0.0030.001-0.49719.5730.001-0.0033-0.0027性别-0.0060.003-0.053-2.0980.036-0.012-0.000血管平均管径年龄0.3700.0220.46416.8730.0010.3270.413性别-1.5390.3940.1003.9100.0010.767一2.311心血管疾病1.1420.5230.0602.1840.0290.116一2.167血管平均弯曲度性别3.6971051.0481050.1123.5290.0011.642105_5.753105高血压3.05310-50.9611050.0933.1760.0021.167105 _ 4.934105饮酒量1.0361050.4201050.0782.4660.0140.21110*5_1.860105高脂血症-2.4221050.999105-0.071-2.4240.015-4.38210-5-0.462x10s注：性别因素中男性赋值为0,女性赋值为1；患病因素中，未患心血管疾病、高血压或高脂血症赋值为0,患心血管疾病、高血压或高脂血症赋值为1CI:置信区间Note:For sex,male=O,female=l;for diseases,without cardiovascular disease,hypertensionorhyperlipidemia=O,with cardiovascular disease,hypertension or hyperlipidemia=1 Cl:confidence interval表4视网膜血管参数与眼部相关因素的多元线性回归分析