Glaucoma, the silent thief of vision, is mostly caused by the gradual increase of pressure in the eye which is known as intraocular pressure (IOP). An effective way to prevent the rise in eye pressure is by early detection. Prior computer vision-based work regarding IOP relies on fundus images of the optic nerves. This paper provides a novel vision-based framework to help in the initial IOP screening using only frontal eye images. The framework first introduces the utilization of a fully convolutional neural (FCN) network on frontal eye images for sclera and iris segmentation. Using these extracted areas, six features that include mean redness level of the sclera, red area percentage, Pupil/Iris diameter ratio, and three sclera contour features (distance, area, and angle) are computed. A database of images from the Princess Basma Hospital is used in this work, containing 400 facial images; 200 cases with normal IOP; and 200 cases with high IOP. Once the features are extracted, two classifiers (support vector machine and decision tree) are applied to obtain the status of the patients in terms of IOP (normal or high). The overall accuracy of the proposed framework is over 97.75% using the decision tree. The novelties and contributions of this work include introducing a fully convolutional network architecture for eye sclera segmentation, in addition to scientifically correlating the frontal eye view (image) with IOP by introducing new sclera contour features that have not been previously introduced in the literature from frontal eye images for IOP status determination.

中文翻译：

---

使用前眼图像进行基于视觉的自动高眼压检测

青光眼是视力的无声小偷，主要是由于眼内压力逐渐升高引起的，称为眼压（IOP）。预防眼压升高的有效方法是及早发现。之前关于 IOP 的基于计算机视觉的工作依赖于视神经的眼底图像。本文提供了一种新颖的基于视觉的框架，以帮助仅使用前眼图像进行初始 IOP 筛查。该框架首先介绍了在用于巩膜和虹膜分割的额眼图像上使用完全卷积神经 (FCN) 网络。使用这些提取的区域，计算六个特征，包括巩膜的平均发红程度、红色区域百分比、瞳孔/虹膜直径比和三个巩膜轮廓特征（距离、面积和角度）。这项工作使用了巴斯马公主医院的图像数据库，其中包含 400 张面部图像；200例眼压正常；和 200 例高眼压。一旦提取了特征，应用两个分类器（支持向量机和决策树）来获得患者的眼压（正常或高）状态。使用决策树，提出的框架的整体准确率超过 97.75%。这项工作的新颖性和贡献包括引入用于眼巩膜分割的全卷积网络架构，此外还通过引入新的巩膜轮廓特征来科学地将正面眼部视图（图像）与 IOP 相关联，这些特征之前从未在文献中从正面介绍过。用于确定 IOP 状态的眼睛图像。200例眼压正常；和 200 例高眼压。一旦提取了特征，应用两个分类器（支持向量机和决策树）来获得患者的眼压（正常或高）状态。使用决策树，提出的框架的整体准确率超过 97.75%。这项工作的新颖性和贡献包括引入用于眼巩膜分割的全卷积网络架构，此外还通过引入新的巩膜轮廓特征来科学地将正面眼部视图（图像）与 IOP 相关联，这些特征之前从未在文献中从正面介绍过。用于确定 IOP 状态的眼睛图像。200例眼压正常；和 200 例高眼压。一旦提取了特征，应用两个分类器（支持向量机和决策树）来获得患者的眼压（正常或高）状态。使用决策树，提出的框架的整体准确率超过 97.75%。这项工作的新颖性和贡献包括引入用于眼巩膜分割的全卷积网络架构，此外还通过引入新的巩膜轮廓特征来科学地将正面眼部视图（图像）与 IOP 相关联，这些特征之前从未在文献中从正面介绍过。用于确定 IOP 状态的眼睛图像。应用两个分类器（支持向量机和决策树）来获取患者眼压（正常或高）方面的状态。使用决策树，提出的框架的整体准确率超过 97.75%。这项工作的新颖性和贡献包括引入用于眼巩膜分割的全卷积网络架构，此外还通过引入新的巩膜轮廓特征来科学地将正面眼部视图（图像）与 IOP 相关联，这些特征之前从未在文献中从正面介绍过。用于确定 IOP 状态的眼睛图像。应用两个分类器（支持向量机和决策树）来获取患者眼压（正常或高）方面的状态。使用决策树，提出的框架的整体准确率超过 97.75%。这项工作的新颖性和贡献包括引入用于眼巩膜分割的全卷积网络架构，此外还通过引入新的巩膜轮廓特征来科学地将正面眼部视图（图像）与 IOP 相关联，这些特征之前从未在文献中从正面介绍过。用于确定 IOP 状态的眼睛图像。