基于OCTA图像FAZ自动分割与深度学习分类模型在糖尿病视网膜病变诊断中的创新应用

《BMC Ophthalmology》：Automated FAZ segmentation and diabetic retinopathy classification using OCTA images

本研究针对糖尿病视网膜病变(DR)诊断中手动分割中心凹无血管区(FAZ)耗时且主观性强的问题，开发了一种基于OCTA图像的自动化深度学习框架。研究团队采用DeepLabv3+结合EfficientNetB0和SE模块的神经网络实现FAZ精准分割（DSC达97.5%），并利用GoogLeNet对分割后的FAZ图像进行DR分期分类，在二分类（正常vs DR）和三分类（正常/NPDR/PDR）任务中分别获得100%和87%的AUC值。该研究为临床提供了一种可整合至工作流程的辅助诊断工具，有望实现DR的早期精准诊断。

　　

在全球糖尿病患者数量持续攀升的背景下，糖尿病视网膜病变(DR)已成为工作年龄人群视力丧失的主要原因，预计到2045年全球患者将达1.6亿。这种进行性视网膜疾病的发展过程中，视网膜新生血管、糖尿病性黄斑水肿(DME)和糖尿病性黄斑缺血(DMI)是导致视力损害的关键病理改变。临床上将DR分为非增殖性糖尿病视网膜病变(NPDR)和增殖性糖尿病视网膜病变(PDR)，二者的鉴别诊断对治疗决策和预后评估具有重要指导意义——PDR可能引发玻璃体出血、视网膜脱离等严重并发症，需要及时进行激光或抗VEGF治疗，而NPDR通常只需定期随访和系统控制。

光学相干断层扫描血管成像(OCTA)技术的出现为视网膜微血管系统评估带来了革命性突破。这种非侵入性成像技术能够分层显示视网膜不同深度的血管网络，克服了传统荧光素血管造影(FA)的局限性。在众多OCTA生物标志物中，中心凹无血管区(FAZ)因其在DR病程中的形态学改变而备受关注。这个位于视网膜中心的无毛细血管区域，其面积扩大和边界不规则性是糖尿病性黄斑缺血的重要指征。然而，手动分割FAZ不仅耗时耗力，还存在主观性强、观察者间变异大等问题，尤其在深部毛细血管丛(DCP)和病变复杂的PDR病例中更为明显。

尽管已有研究尝试自动化FAZ分割，但多数方法在挑战性病例（如PDR患者的“虫蚀样”边界）中的表现仍有待提高，且鲜有研究探索如何直接利用分割后的FAZ图像进行DR分期分类，而非依赖传统的FAZ量化参数。正是基于这些临床需求和技术空白，Saeidian等研究人员在《BMC Ophthalmology》上发表了他们的创新性研究。

关键技术方法概述

本研究为横断面研究，纳入法拉克眼科医院161名参与者（253张OCTA图像）。首先开发了结合DeepLabv3+、EfficientNetB0、SE模块和ASPP的神经网络进行FAZ分割，然后在分割结果上使用基于GoogLeNet的CNN进行DR分类。数据集按70%/10%/20%划分训练/验证/测试集，采用5折交叉验证和SMOTE过采样技术优化模型性能。

结果

FAZ分割模型性能

研究团队开发的FAZ分割模型在全数据集上达到了96.1%的交并比(IoU)和97.5%的Dice相似系数(DSC)。值得注意的是，DCP层的分割性能显著优于SCP层（IoU: 96.8% vs 95.2%; DSC: 97.8% vs 97.0%），这种优势在正常、NPDR和PDR各亚组中均保持一致。即使在边界高度不规则的PDR病例中，模型也展现出出色的分割能力。

可视化结果进一步证实了模型在各类别眼中的分割效果，包括健康对照的规则FAZ、NPDR的轻度不规则FAZ以及PDR的高度不规则FAZ边界，模型均能准确勾勒。

二分类结果：正常与病变鉴别

基于深度学习分割得到的FAZ图像，分类模型在区分正常眼与DR（包括NPDR和PDR）的二分类任务中表现完美，曲线下面积(AUC)、敏感性、特异性均达到100%。这一结果凸显了FAZ形态在鉴别正常与病变眼中的高度 discriminative价值。

三分类结果：正常、NPDR与PDR鉴别

在三分类任务中，SCP层的整体性能优于DCP层。使用原始数据集时，SCP-FAZ图像的分类AUC为82%，敏感性77%，特异性84.4%，F1-score 77.4%。应用过采样技术后，模型性能得到进一步提升。特别值得注意的是，DCP层在经过过采样处理后，AUC从77%显著提升至87%，表明类别平衡对挖掘D层特征的 discriminative 能力至关重要。

混淆矩阵分析显示，模型在区分NPDR和PDR时存在一定混淆，这反映了这两个疾病阶段FAZ形态改变的连续性特征。然而，过采样技术显著改善了这一区分能力。

ROC曲线进一步验证了模型在二分类和三分类任务中的强大 discriminative 能力，特别是二分类中完美的AUC表现。

研究结论与意义

本研究成功构建了一个集FAZ自动分割与DR分期分类于一体的深度学习框架，在技术方法和临床应用层面均取得了重要突破。分割阶段采用的DeepLabv3+架构结合EfficientNetB0骨干网络和SE模块的创新设计，显著提升了复杂FAZ边界的分割精度，特别是在挑战性强的PDR病例中仍能保持高精度。分类阶段直接利用分割后的FAZ图像作为输入，而非传统的量化参数，充分发挥了深度学习模型从原始图像中学习 discriminative 特征的能力。

从临床角度看，该研究有三大突出价值：首先，自动化FAZ分割显著减轻了临床医生的工作负担，减少了主观因素引入的变异；其次，基于FAZ图像的DR分类模型为疾病筛查和分期提供了高效工具，特别适合在医疗资源有限的地区推广应用；最后，研究揭示了不同毛细血管层（SCP与DCP）在DR诊断中的互补价值——DCP层更适合精准分割，而SCP层在高级别分类中更具 discriminative 能力。

值得注意的是，研究队列中中度至重度NPDR占比较高（70.5%），这虽反映了三级转诊中心的病例特点，却使三分类任务（区分重度NPDR与PDR）更具临床实用性，因为二者的治疗策略差异更为显著。

尽管存在单中心设计、样本量有限、未包含其他视网膜共病等局限性，这项研究为OCTA图像在DR管理中的自动化分析奠定了坚实基础。未来研究方向包括整合血管密度参数、验证模型在多中心多设备中的泛化能力，以及探索FAZ形态学改变在预测DR进展中的纵向价值。随着技术的不断优化和验证，这种深度学习驱动的方法有望成为眼科医生诊断和监测DR的强大辅助系统，最终为糖尿病患者视力保护提供有力支持。