基于临床OCT系统的视网膜毛细血管灌注三维时空分析新方法：提升灌注异质性评估准确性

《Scientific Reports》：Three-dimensional spatiotemporal analysis for the assessment of retinal capillary perfusion using a clinical OCT system

本研究针对商用OCT血管成像（OCTA）系统因依赖专有后处理算法而无法精确分析视网膜灌注动态的问题，开发了一种基于原始OCTA容积数据的毛细血管灌注异质性分析新方案。研究团队提出深度分辨像素级变异系数（CoV）算法（Protocol C），通过三维图像配准和噪声抑制技术，实现了对视网膜毛细血管灌注时空异质性的精准量化。与常规方法相比，新方案在健康受试者中展现出更优的重复性和一致性，为糖尿病视网膜病变等血管性眼病的早期检测提供了可靠工具。

　　

在眼科诊疗领域，视网膜微循环的细微变化往往在结构性损伤出现之前就已发生，成为多种致盲性疾病的早期预警信号。其中，视网膜毛细血管灌注的异质性（即血流在空间和时间分布上的不均匀性）正逐渐成为早期诊断和疾病监测的重要生物标志物。随着光学相干断层扫描（OCT）及其血管成像扩展OCTA技术的发展，临床医生能够以高分辨率三维成像方式观察视网膜形态和血管网络。然而，商业OCT系统依赖专有且不公开的后处理算法，限制了其准确分析视网膜灌注动态的能力，这一瓶颈严重阻碍了灌注异质性作为生物标志物的临床应用价值。

针对这一技术挑战，不列颠哥伦比亚大学的研究团队在《Scientific Reports》上发表了一项创新性研究，提出了一种基于临床OCT系统的视网膜毛细血管灌注三维时空分析新方法。该方法突破了商业系统的限制，通过直接处理原始OCTA容积数据，实现了对视网膜毛细血管灌注异质性的精准量化。

研究团队开发的核心技术方案包含几个关键环节。他们利用PlexElite 9000扫频源OCTA系统采集8名健康受试者的3×3 mm黄斑中心凹区域图像，每名受试者进行三次独立成像会话。为解决眼球运动带来的空间错位问题，研究采用了自定义的三维容积配准算法，结合刚性（BRISK-SURF混合特征法）和非刚性（微分恶魔算法）配准技术，确保多次扫描的精确对齐。核心创新在于提出的容积变异系数（CoV）计算算法（Protocol C），该算法通过深度分辨的像素级分析，定量评估视网膜毛细血管灌注的时空异质性。与传统方法（基于系统生成图像Protocol A和基于最大强度投影Protocol B）相比，新方法有效消除了深度方向信号波动带来的偏差。为提升结果可视化质量，研究还集成了深度学习驱动的视网膜层（LF-UNet架构）和血管分割算法，清晰呈现不同血管丛的灌注特征。

不同CoV测量方法的比较

结果显示，三种处理方案在表征灌注异质性上存在显著差异。Protocol C生成的CoV图能清晰区分小动脉、小静脉及其分支，而Protocols A和B则呈现中度至高度变异的散在区域。值得注意的是，Protocol C的CoV值分布呈现双峰特征，与其余两种方法的单峰分布形成鲜明对比，表明新方法能有效区分不同轴向位置的血管网络。通过双组分对数正态分布模型拟合，研究人员成功确定了区分主要血管和分支毛细血管的统计阈值，实现了基于深度的血管网络可视化。

重复性与一致性评估

为验证新方法的可靠性，研究团队比较了三个时间点的测量结果。Protocol C在中心凹周围区域（z₁和z₂）展现出显著较低的方差值（z₁：0.1158±0.0150；z₂：0.0784±0.0055），远优于Protocol A（0.1466±0.0116和0.1464±0.0138）和Protocol B（0.1526±0.0146和0.1520±0.0178）。彩色编码的方差图中，Protocol C主要表现为蓝色区域（低波动），而传统方法则显示中度至高度不一致的散在区域，证明新方案具有更优的时间一致性。尽管近中心凹无血管区（FAZ）的血管仍显示相对较高的波动（图中绿色高亮区域），这很可能源于该区域分流血管固有的高灌注变异性。

讨论与意义

该研究开发的容积CoV分析方法成功解决了传统方法因商业系统后处理算法和最大强度投影伪影导致的测量偏差问题。通过保留B扫描的深度信息，新方法能够实现毛细血管特异性的精准分析，特别适用于评估不同毛细血管网络的灌注异质性。Protocol C的双峰CoV分布特征为区分视网膜血管丛（如浅层血管丛SVP和深层血管丛DVP）提供了量化依据，对识别病理状态下的灌注异常（如糖尿病视网膜病变近FAZ区域的分流血管）具有重要价值。

研究的优势在于其算法设计的普适性，通过依赖一致的计算框架和基于每卷数据的噪声基底估计，降低了对特定硬件配置或供应商算法的依赖性。然而，作者也指出当前研究的若干局限性，包括样本仅来自健康受试者，未涵盖病理条件；深度学习分割算法在弱对比度或病理异常数据上的性能限制；以及扫描区域相对较小（3×3 mm）可能引入的运动伪影影响。未来工作将扩展至疾病队列验证，开发自动化运动校正方法，并探索宽场OCTA数据集的适用性。

这项研究通过创新性地整合三维图像配准、深度分辨分析和深度学习分割技术，建立了视网膜毛细血管灌注异质性分析的标准化流程。所提出的容积CoV计算方法不仅为临床OCTA系统提供了更可靠的量化工具，也为进一步研究视网膜血管性疾病（如视网膜静脉阻塞、糖尿病视网膜病变和青光眼）的微循环功能障碍机制奠定了方法学基础。随着该技术的不断完善和验证，它有望在眼科疾病早期诊断、疗效评估和病理机制研究中发挥重要作用。