后发性白内障(Posterior Capsular Opacification,PCO)是白内障手术后常见的一种并发症,简称后发障。后发障的出现会直接影响白内障术后患者的视力恢复,目前Nd:YAG激光是治疗后发障的一种有效方式,但是一旦错过最佳的治疗时机,就只能通过手术方式切除后囊膜,因此后发障的及时发现和治疗对于白内障术后患者的视力恢复起着关键性的作用。白内障手术后患者需要定期到医院进行复查,拍摄的眼部红反光源影像是诊断和分析后发障的有效介质,连续多次复查的影像可形成时序影像,通过分析时序红反光源影像可以发现后发障的发展变化规律,从而实现后发障的预测。然而,医生很难科学地挖掘到这其中的规律,因此本文提出了一种基于卷积神经网络(Convolutional Neural Network,CNN)和卷积长短期记忆网络(Convolutional Long Short-Term Memory,ConvLSTM)的后发障预测方法,可以生成下一时刻的眼部红反影像,并预测和评估其严重性,以决定患者在未来半年内是否需要接受Nd:YAG激光治疗。本文的主要工作包括以下三个方面:(1)晶状体区域自动检测方法研究。后发障的临床表现为晶状体后囊膜浑浊,晶状体周围的睫毛、眼睑等噪声对后发障的特征提取和预测会产生极大的干扰,因此,本文首先研究了红反光源影像的预处理方法,提出了一种基于深度学习的轻量级SSD网络模型,可以快速准确的检测出晶状体区域,其IOU定位指标达到了96%以上,并且每秒钟可以检测57张影像,满足了临床上实时性的要求。(2)自动生成下一时刻红反影像的时空序列预测方法研究。本文结合卷积神经网络和ConvLSTM建立了一种端到端的模型,通过学习和分析患者术后连续多次复查的时序红反影像,提取影像的高层特征和挖掘时序特征之间的内在规律,生成患者下一时刻的红反光源影像,帮助医生科学形象的预测后发障在下一时刻的面积及位置变化状态。(3)基于生成影像的后发障严重程度预测。本文基于残差卷积神经网络搭建了一种红反光源影像分级模型,可以自动评估生成影像的后发障严重程度,进而预测患者在未来半年内是否需要接受Nd:YAG激光治疗,其预测准确率达到了92.35%。本方法可以帮助医生提前规划治疗方案,避免患者错过最佳治疗时机。