多尺度深度学习网络在翼状胬肉自动分割中的应用
摘要
翼状胬肉是一种需要早期识别的眼科疾病，以防止其进展导致视力损害。准确测量纤维血管组织对角膜和瞳孔区域的侵犯程度是评估病情严重程度的关键步骤。本研究通过引入多尺度深度学习网络，特别是空间金字塔池化（SPP）和空洞空间金字塔池化（ASPP）模块，有效捕捉病变特征的不同尺度。这些模块被嵌入到UNet架构的瓶颈层中，以最小化计算负担。实验结果显示，嵌入了三个并行路径EF-ASPP模块的UNet网络表现出最佳性能，Hausdorff距离仅为16.75像素。这一结果表明，通过精确提取病变图谱，可以更好地预测翼状胬肉的严重程度。
信息来源： PubMed Ophthalmology 发布于 2026年5月1日
要点速览
- 多尺度深度学习网络能有效捕捉翼状胬肉病变特征的不同尺度
- 嵌入了三个并行路径EF-ASPP模块的UNet网络表现出最佳性能
- 通过精确提取病变图谱，可以更好地预测翼状胬肉的严重程度
本站解读
这项研究揭示了多尺度深度学习网络在眼科疾病诊断中的巨大潜力，特别是在翼状胬肉的自动分割方面。传统的手动分割方法不仅耗时且易出错，而基于深度学习的技术能够显著提高诊断的准确性和效率。从技术路线变迁的角度来看，多尺度模块的应用标志着图像处理技术向更精细化、智能化方向发展。这不仅提升了病变检测的精度，还为后续治疗方案的选择提供了更为可靠的数据支持。
当前，国内外多家研究机构和企业在眼科AI领域展开激烈竞争，但真正能够实现临床应用的产品仍屈指可数。UNet架构及其变种在医学影像分析中已展现出强大的适应性，然而如何平衡计算成本与性能提升依然是一个亟待解决的问题。未来的研究可能会进一步探索更大尺寸特征图的网络架构，尽管这将不可避免地增加计算负担。对于中国眼科行业而言，这意味着本土企业需要在算法优化和硬件支持上加大投入，以保持在全球竞争中的领先地位。
常见问题
这个研究对翼状胬肉患者有什么帮助？
这项研究通过多尺度深度学习网络提高了翼状胬肉病变的自动分割精度，有助于更早、更准确地诊断病情，从而及时采取治疗措施，避免视力受损。
这种技术什么时候能在医院里用上？
目前该技术还在研究阶段，具体何时能在医院广泛应用还需等待进一步的临床验证和审批。如有疑虑可咨询眼科医生。
延伸阅读
深度学习算法在糖尿病视网膜病变中的非灌注区自动量化
该研究旨在评估一种定制的深度学习算法在超广角扫频源OCT血管成像（UWF SS-OCTA）中对非灌注区（NPA）进行自动分割的性能及其在糖尿病视网膜病变（DR）严重程度评估中的应用。研究采用横断面设计，纳入180只眼，涵盖所有DR严重程度等级。研究人员开发了一种基于多尺度U-Net骨干网络并结合挤压和激励注意力机制的卷积神经网络，用于从三种扫描模式（6 × 6 mm、12 × 12 mm 和 29 × 24 mm）的全视网膜层图像中分割NPA。通过两名独立评分者和一名玻璃体视网膜专家生成的金标准标注，以及结构OCT图像来区分真实NPA与阴影伪影。结果显示，该算法在不同扫描尺寸下均表现出高精度（F1分数分别为0.82 ± 0.01、0.84 ± 0.03 和 0.83 ± 0.02），且无显著差异。Bland-Altman分析表明，人类标记和算法预测的非灌注指数（NPI）之间具有高度一致性。结论是，该深度学习算法在单次扫描UWF SS-OCTA中实现了高精度和可扩展性，支持其作为客观DR OCTA生物标志物分析工具的潜力。
混合深度学习与自然启发算法实现精准眼底疾病分类
眼底成像技术是检测多种眼科疾病的重要手段，能够揭示黄斑、视盘、中心凹及血管的解剖变化，从而诊断糖尿病视网膜病变、青光眼、老年性黄斑变性、白内障和近视等病症。本研究提出了一种新的混合框架，结合了深度学习特征提取与自然启发算法，利用预训练的ResNet-18和GoogLeNet架构提取特征，并通过粒子群优化、灰狼优化器、差分进化、萤火虫算法和遗传算法进行优化。最终，应用K-近邻、高斯朴素贝叶斯、支持向量机和逻辑回归等机器学习分类器对优化后的特征集进行分类。在ODIR和RFMiD数据集上的实验表明，萤火虫算法与K-近邻（FAKNN）组合达到了最先进的性能，准确率、召回率、精确度、Kappa值、F1分数和曲线下面积均为100%。这一方法不仅提高了诊断准确性，还展示了显著的临床应用潜力，有助于早期干预和改善患者预后。
基于深度学习的眼睑及眶周参数评估：助力上睑下垂诊疗
上睑下垂是一种常见的眼睑疾病，影响患者的视力和外观。本研究旨在开发并评估一种基于深度学习（DL）的系统，用于自动测量眼睑和眶周参数，并对上睑下垂患者的提上睑肌功能（LF）进行分类。研究回顾性纳入了2016年1月至2021年11月期间在三级眼科整形中心接受上睑下垂手术的1,177名患者。根据临床评估，将LF分为良好（>10 mm）、一般（4-10 mm）和较差（≤4 mm）。DL模型能够准确分割眼睑和眉毛区域，并测量关键参数，与手动测量结果高度一致。结合DL提取的特征和人口统计学数据，多变量逻辑回归模型预测LF等级的总体准确率为0.760，AUC为0.829，接近眼科医生的评估水平。该DL系统提供了一种高效、客观的工具，支持上睑下垂的个性化诊断和手术规划。