面向干眼诊断的多中心像素级泪河分割数据集：多模态成像与人工智能应用新突破

《Scientific Data》：Multicentre Pixel-Level Tear Meniscus Segmentation Dataset with Multimodal Imaging for Dry Eye Diagnosis

本刊推荐：为解决干眼诊断中泪河高度（TMH）人工测量主观性强、效率低的问题，研究人员开展了多中心像素级泪河分割数据集的构建研究。该研究整合了来自中国五家中心的1,693张彩色模态和1,739张红外模态图像，并利用人机交互标注方法生成了高质量的像素级分割标签。结果表明，该数据集标注一致性高（组内MIoU达0.9941），并能有效支持多种AI模型（如UNet、DeepLabV3+）实现精准泪河分割（MIoU最高0.9279）。此公开数据集为开发标准化、自动化的干眼诊断工具奠定了基础，有力推动了眼科人工智能研究。

　　

干眼，作为一种全球范围内高发的眼部疾病，其本质是泪液质与量以及流体动力学的异常，常常导致患者眼部不适、视力波动甚至眼表损伤。在亚洲人群中，由于种族和环境因素的影响，干眼的患病率可能高达其他人种的1.5至2.2倍，不仅严重影响患者的生活质量，也带来了沉重的社会经济负担。因此，干眼的早期精准诊断至关重要。在干眼的病理机制中，眼表泪膜稳态的失衡是核心环节，而量化泪液分泌则是诊断的关键步骤。其中，泪河高度（Tear Meniscus Height, TMH），尤其是下泪河高度，作为一个可重复、标准化的生物标志物，能够直接反映泪液容量，为评估干眼严重程度和监测治疗效果提供了重要依据。

然而，传统的TMH测量方法，如裂隙灯估测法（无论是否使用荧光素染色），往往存在主观性强、稳定性与可重复性差的问题。尽管光学相干断层扫描（OCT）和Keratograph 5M（K5M）等现代设备提供了更先进的评估手段，但前者耗时且依赖专用设备，后者仍需检查者手动选择泪河区域进行测量，对操作者技能要求高，且在繁重的门诊工作量下难以保证结果的准确性。

正是在这样的背景下，人工智能（Artificial Intelligence, AI）技术展现出巨大潜力。AI在图像识别方面的卓越能力，使其在翼状胬肉筛查、早期圆锥角膜检测等领域已取得显著成果。对于TMH评估这种单一且重复性的任务，基于AI的自动分割与评估模型有望大幅降低人为误差，提升诊断效率与准确性。但“巧妇难为无米之炊”，任何高效AI模型的构建都离不开大规模、高质量的数据集支撑，这包括用于分割的原始图像及其对应的“金标准”（Ground Truth, GT）分割标签。遗憾的是，此前公开可用的泪河分割数据集几乎为空白，这严重阻碍了干眼诊断AI模型的研发与临床应用。

为了突破这一瓶颈，来自温州医科大学附属眼视光医院、浙江师范大学、深圳市眼科医院等机构的研究团队在《Scientific Data》上发表了他们的研究成果，引入了首个公开可用的多中心、多模态、像素级下泪河分割数据集。这项研究旨在为开发鲁棒性强、泛化能力佳的泪河分割及TMH测量算法提供至关重要的数据资源。

为了开展这项研究，研究人员采用了一项关键的技术方法：回顾性收集了2019年2月至2024年9月期间来自中国东部、南部和西部4个城市共5家中心的患者眼部影像数据，所有影像均使用统一的Keratograph 5M（K5M）设备采集。经过严格的质量控制，最终纳入了1,693张彩色模态图像和1,739张红外模态图像。在图像标注环节，研究团队创新性地采用了一种人机交互的标注方法。该方法首先利用基于拉普拉斯算子的边缘检测算子增强泪河边界，自动提取近似边界，再由标注人员进行精细修正，最后通过基于KD-Tree数据结构的区域修复算法重建泪河区域，并与中央瞳孔区域整合完成掩码标注。这种方法相较于传统逐像素标注法，显著提高了标注效率和组内一致性（MIoU从0.8481提升至0.9941）。所有标注由两名初级眼科医生完成，并由一名高级眼科医生审核校正，确保了标注质量。此外，研究还通过计算平均交并比（MIoU）和Dice系数评估了标注者内（MIoU: 0.9579, Dice: 0.9559）和标注者间（MIoU: 0.9243, Dice: 0.9183）的一致性，验证了数据集的可靠性。

数据记录

研究构建的数据集已上传至Figshare平台，包含来自五个中心的原始图像及其对应的像素级分割标签。图像分辨率为1024x1360像素，以PNG格式存储，未经压缩。数据集按中心分别压缩，每个压缩包内包含“Original”（原始图像）和“Label”（分割标签）两个文件夹，图像命名规则一致，便于对应使用。

技术验证

在技术验证部分，研究通过严谨的统计学指标证实了数据集标注的高质量。标注者内和标注者间的高度一致性为数据集的可靠性和后续AI模型训练的稳定性奠定了坚实基础。

分割验证

为了展示数据集的实用价值，研究人员利用该数据集在三种代表性的分割架构——UNet、ResUNet和DeepLabV3+（骨干网络为FCN-ResNet50）上进行了分割实验。数据集按5:2:3的比例随机划分为训练集、验证集和测试集。实验结果表明，所有模型均取得了良好的分割性能，其中UNet模型表现最佳，其F1分数、召回率、精确率和MIoU分别达到0.9220、0.9127、0.9367和0.9279。这充分证明了该数据集能有效支持高性能泪河分割模型的训练，为未来TMH的自动量化与干眼研究提供了可靠的数据基础。

综上所述，陈晓宇、王克胜等人的这项研究成功地构建并公开了一个大规模、高质量、多中心、多模态的像素级泪河分割数据集。该数据集不仅填补了该领域公开数据资源的空白，其创新性的人机交互标注方法也为医学图像标注提供了新思路。通过严格的质控和一致性评估，以及在不同AI模型上的有效性验证，研究证实了该数据集的高可靠性和实用价值。这一资源的开放共享，将极大地促进干眼及相关眼病诊断AI模型的开发、评估与推广，对推动眼科医学人工智能从研究走向临床具有里程碑式的意义，为实现干眼的早期、精准、高效诊断带来了新的希望。