跳转到主要内容
学术研究

自适应光学眼底成像:自动分割视网膜动脉管壁的新方法

PubMed Ophthalmology (2026年10月5日)

摘要

研究者开发了一套自动图像处理流程,用于在自适应光学检眼镜(AOO)图像序列中分割视网膜动脉管壁。流程先用深度学习评估画质并选出最好的一张,再结合深度学习与主动轮廓模型分割,最后以它为参照分割序列中其他图像。在闪烁刺激序列上,质量评估与专家排序的Spearman相关系数为0.86,动脉壁内、外缘分割的平均均方根误差分别为0.5像素和1.8像素。

信息来源: PubMed Ophthalmology 发布于 2026年10月5日

要点速览

  • 研究开发了在自适应光学检眼镜图像序列中自动分割视网膜动脉管壁的流程
  • 流程先用深度学习选出最佳画质图像,再利用时间连续性分割其余图像
  • 质量评估与专家排序的Spearman相关系数为0.86
  • 动脉壁内、外缘平均均方根误差分别为0.5像素和1.8像素

本站解读

这项研究做的是一件技术活:自适应光学眼底成像能拍到很细的视网膜血管,但同一组连续图像的画质参差不齐。研究者设计了一套自动流程,先挑出画质最好的一张,再借助相邻图像之间的连续性处理画质较差的图像。在闪烁刺激序列上,质量评估与专家排序的Spearman相关系数为0.86,动脉壁内缘、外缘分割的平均均方根误差分别为0.5像素和1.8像素。

这是一项算法开发研究。摘要没有给出图像数量和受试者人数,也没有说明是否在其他设备或人群中验证过,所以“可靠”只限于文中的测试场景。摘要也没有谈到这套方法对任何眼病的诊断或随访价值。

我们的判断是,它的意义在于减轻处理长时间序列图像的人工工作量,让管壁与管腔比值这类形态指标更容易批量测量,而不是直接改变患者的检查或治疗。

常见问题

这项研究和普通人有什么关系?

关系不大。这是一项图像处理算法研究,目的是让研究者和医生分析自适应光学眼底图像序列时少花人工。摘要没有报告它对患者诊断或治疗有什么影响。如有疑虑可咨询眼科医生。

这个自动分割方法准确吗?

在文中的测试里表现良好,但范围有限。质量评估与专家排序的Spearman相关系数为0.86,动脉壁内、外缘分割的平均均方根误差分别为0.5像素和1.8像素。摘要没有说明更多设备或人群中的验证情况,因此还不能说它适用于所有场景。

延伸阅读

学术研究

LCNet:轻量级视网膜血管分割网络

研究团队提出LCNet,一个采用深度可分离卷积的轻量U形网络,加入协同坐标注意力模块和空洞空间金字塔池化模块,并设置四个侧输出层。在DRIVE、STARE、CHASEDB1和IOSTAR四个公开数据集上,全局准确率分别为96.02%、97.95%、97.95%和97.77%。在DRIVE上模型仅有2.65 M参数、21.2 GFLOPs。作者还在带病变的眼底图像和OCTA图像上验证了效果。

#视网膜血管#图像分割#深度学习 +1
PubMed Ophthalmology
学术研究

V-MNet:同时分割血管并分类多种眼底病的模型

研究团队提出V-MNet,一种血管引导的多任务深度学习框架,可同时完成视网膜血管分割和多种眼病分类,并用Grad-CAM热力图标出模型关注区域。研究在RFMiD、ODIR-5K、DRIVE和EyePACS-light-v2四个公开数据集上测试:血管分割的Dice系数为0.831、AUC为0.985,多病分类的平均AUC为0.978、F1值为0.935。作者称其优于单任务基线和现有先进方法。

#人工智能#眼底照片#视网膜血管 +1
PubMed Ophthalmology
学术研究

翼状胬肉病灶自动分割:多尺度深度学习网络的比较

翼状胬肉的严重程度与纤维血管组织侵入角膜和瞳孔区的范围有关。研究在UNet结构的瓶颈层嵌入多种多尺度模块,包括空间金字塔池化和空洞空间金字塔池化,并比较不同并行路径设计。结果显示,嵌入三条并行路径EF-ASPP模块的UNet分割效果最好,豪斯多夫距离最低,为16.75像素。

#翼状胬肉#深度学习#图像分割
PubMed Ophthalmology