基于OCT图像的黄斑裂孔最小直径自动测量方法
摘要
研究提出一种针对光学相干断层扫描（OCT）图像的黄斑裂孔（MH）最小直径自动化测量方法。该方法分三步：先构建专用MH图像子集，再通过去噪、二值化、形态学处理和边缘检测提取裂孔两侧轮廓，最后定位两侧轮廓上距离最近的点以计算最小直径。在公开数据集上，平均距离误差（ADE）多在1像素内，相对距离误差（RDE）多数低于2.50%，最高3.29%；临床测试中单例测量耗时约4秒。
信息来源： PubMed Ophthalmology 发布于 2026年5月23日
要点速览
- 该方法通过图像处理流水线自动定位黄斑裂孔两侧轮廓，并计算其最小距离作为直径
- 在公开数据集上平均距离误差（ADE）多在1像素内，相对距离误差（RDE）范围为0.00%–3.29%
- 临床测试中单例OCT图像测量耗时约4秒，体现高执行效率
本站解读
这项研究本质上是给眼科医生配了一个更准更快的‘数字卡尺’——它不靠人眼判断，而是用图像处理流水线自动算出黄斑裂孔最窄处的宽度。相比人工测量耗时长、不同医生结果差异大，也比传统阈值法更抗干扰，尤其在图像质量差、对比度低的OCT片子上表现稳定。样本虽未说明具体数量，但验证用了公开数据集加临床测试，且关键指标如ADE‘低至0.00’、RDE‘多数低于2.50%’、单例耗时‘约4秒’，数据扎实，方法可复现性高。
不过，这仍是算法验证阶段，尚未进入真实手术室或门诊流程。要真正嵌入临床，还需通过医疗器械软件认证、与主流OCT设备厂商对接、并在多中心真实病例中验证鲁棒性。短期内不会替代医生判断，但有望成为报告辅助模块。国内情况有待确认。
对普通人来说，无需因此改变任何行为——这不是一项新疗法，也不影响检查方式或治疗选择。它只是后台技术升级，未来可能让诊断报告生成更快、更一致。如有疑虑可咨询眼科医生。
常见问题
这个新方法是不是以后做OCT检查就能马上知道黄斑裂孔有多严重？
不是马上改变检查过程，而是提升医生读片时的测量效率和一致性。目前仍需医生综合判断，该方法尚处于技术验证阶段，未作为常规工具集成进临床报告系统。它不改变患者接受OCT检查的方式，也不直接输出诊断结论。如有疑虑可咨询眼科医生。
听说AI能自动测黄斑裂孔，是不是以后不用医生看了？
不能替代医生。该方法只负责精准测量最小直径这一项指标，而黄斑裂孔的诊断、分期、手术时机判断等仍需医生结合整体图像、病史和其他检查综合评估。AI在这里是辅助工具，类似更精准的标尺，而非决策主体。如有疑虑可咨询眼科医生。
延伸阅读
AI自动诊断黄斑裂孔并生成结构化报告
研究团队开发了一套端到端的智能AI工作流，用改进版RETFound模型分析OCT图像，自动判断是否为黄斑裂孔，并调用GPT-4生成患者易懂的结构化报告。内部测试（n=180）准确率达100%，AUC为1.00；外部验证（n=1014）准确率98.8%，敏感度97.9%，特异度100%，AUC达0.999。Grad-CAM分析证实模型关注的是黄斑区真实病灶。
眼底OCT纵向分割数据集发布
研究团队构建了一个针对特发性全层黄斑裂孔手术患者的纵向OCT影像数据集，包含2591张黄斑中心水平和垂直B扫描图像，覆盖术前及术后2周至48个月共7个时间点。所有图像均配有专家标注的12种视网膜结构的像素级分割掩膜，涵盖病理性与解剖学特征，并通过Dice系数（>0.80）验证了标注可靠性。数据集还附带nnUNet基准模型，供AI方法开发与比较。
强直性肌营养不良1型患者视网膜各层结构增厚
该研究对比了79只强直性肌营养不良1型（Steinert病）患者眼和128只健康对照眼的光学相干断层扫描（OCT）图像，分析后极部及视盘周围区域多个视网膜层厚度。结果显示，患者普遍存在视网膜各层增厚，尤其视网膜神经纤维层（RNFL）在颞侧视盘区及乳头黄斑束区域显著增厚。研究认为OCT可作为评估该病视网膜受累的潜在结构标志物。