青光眼是一种常见的眼部疾病,其严重程度越高,患者遭受的生理困扰越大,甚至可能导致视力丧失。在临床诊断中通过对眼底图像中的视杯视盘区域进行分割能够为医确认细节生提供青光眼患者眼底图像的各项生理指标,如视杯盘比、视神经纤维层厚度等,这些指标可以辅助医生进行更准确的诊断和治疗。因此,该项工作在青光眼的早期诊断和分级中具有重要的临床价值和社会意义。本文提出了基于改进式Swin-Unet模型架构的算法Swin-AC-Unet。该算法以Swin-Unet作为主架构模型,同时使用了ACmix模块,此模块集成了卷积与自注意力,在保留卷积和自注意力机制两者优点的同时,可以提升分割的精准度。此外,本文还使用了Lion优化器,不同于传统的Adam W优化器,Lion优化器只追踪动量,且使用符号操作保证每个参数更新大小保持一致,因此具备更少的参数,在训练速度更快的同时实现较高的分割精准度。最后,本文采用混合损失函数来训练模型,该损失函数同时考虑了交叉熵损失CELoss和Lovasz Loss,使得模型具有更好地稳定性和鲁棒性,提升了模型分割的精准度。实验结果表明,本文提出的模型在分割精度方面表现良好,这对于辅助医生完成青光眼的早期筛查和临床诊断具有重要的临床价值。在实验部分,本文使用了Refuge数据集和Rim-one-r3数据集,分别在Dice系数和Io U这两个评价指标下对模型进行了评估。Refuge数据集包括1200张眼底图像,其中1080张是正常图像,120张是青光眼图像。Rim-one-r3数据集包括159张眼底图像,其中85张是正常图像,74张是青光眼图像。在Refuge数据集上,本文模型的视盘Dice系数达到了0.984,Io U达到了0.967,视杯Dice系数达到了0.918,Io U达到了0.849。在Rim-one-r3数据集上,本文模型视盘DiGDC-0068ce系数达到了0.983,Io U达到了0.966。视杯的Dice系数达到了0.936,Io U达到了0.87。这些都进一步表明本文提出的模型在视杯视盘分割任务取得了良好的性能。综上所述。本文提出一种基于改进式Swin-Unet架构的视杯视盘联合分割算法,该算法在Refuge数据集和Rim-one-r3数据集上表现出色,为青光眼疾病的早期诊断和anticipated pain medication needs治疗提供有效的解决方案。