基于生成对抗网络的年龄相关性黄斑变性OCT B扫描视网膜界面精准分割研究

本研究针对年龄相关性黄斑变性（AMD）晚期患者视网膜色素上皮（RPE）和布鲁赫膜（BM）在光学相干断层扫描（OCT）B扫描中边界模糊的难题，提出了一种结合生成对抗网络（GAN）与UNet++的混合分割模型。通过融合对抗损失与多类交叉熵损失函数，该模型实现了对ILM、RPE和BM三层界面的高精度分割（MAE低至0.45-1.19），为AMD精准诊疗提供了自动化解决方案。

　　

在眼科诊疗领域，年龄相关性黄斑变性（AMD）是50岁以上人群不可逆致盲的首要病因。这种神经退行性疾病会破坏视网膜与脉络膜之间的关键界面——视网膜色素上皮（RPE）和布鲁赫膜（BM）。光学相干断层扫描（OCT）虽能提供微米级视网膜横断面图像，但晚期AMD患者因RPE/BM严重变形、断裂甚至消失，使得传统自动化分割方法束手无策。更棘手的是，抗血管内皮生长因子（anti-VEGF）治疗的普及，对精准追踪这些界面变化提出了更高要求。

针对这一临床痛点，来自国内的研究团队在《Biomedical Signal Processing and Control》发表了一项突破性研究。他们创新性地将生成对抗网络（GAN）与UNet++架构相结合，开发出能同时捕捉局部细节和全局上下文的分割系统。研究采用DUEIA和AROI两大公开数据集（包含384例AMD患者和健康对照的OCT数据），通过6折交叉验证证实了模型在严重病理条件下的鲁棒性。

关键技术方法包括：1）构建以UNet++为生成器、深度监督的GAN框架；2）设计混合损失函数（多类交叉熵+对抗损失）平衡像素级精度与形态学连续性；3）引入图搜索算法（GS）优化边界拓扑结构。

【Related work】
现有U-Net类模型虽在早期AMD分割中表现良好，但面对晚期病例时，因过度依赖像素级损失函数而缺乏全局形态学约束。研究团队系统分析了传统方法（如薄板样条插值）的局限性，指出其无法同时处理ILM、RPE、BM三层结构的复杂病理变化。

【Problem definition】
模型将OCT像素分类为玻璃体、视网膜、RPE（含病理改变）和BM下区域4类。通过对抗训练策略，使生成器输出的分割图在局部细节和整体形态上与真实标注难以区分。

【Description of the clinical databases】
在包含早期/中期干性AMD的DUEIA数据集（269例）和含湿性AMD的AROI数据集（24例）上，模型展现出跨设备泛化能力。特别值得注意的是，AROI数据集中包含抗VEGF治疗后的随访病例，为验证临床实用性提供了关键样本。

【Quantitative analysis】
定量结果显示：在DUEIA和AROI数据集上分别达到0.45和1.19的MAE，显著优于现有方法。可视化分析证实，模型能准确重建RPE/BM在浆液性脱离、纤维血管增生等复杂病变中的连续性。

【Conclusion】
该研究首次实现了GAN在晚期AMD多界面分割中的应用突破。其创新性体现在：1）通过对抗损失捕捉层状结构的生物力学特性；2）采用GS算法保证解剖学合理的边界走向；3）验证了模型在两种商用SD-OCT设备间的迁移能力。这项工作为AMD的精准分期、治疗响应评估提供了可靠的计算工具，尤其对监测抗VEGF治疗后RPE/BM的形态学变化具有重要临床价值。

研究团队Himashree Kalita等特别强调，未来可扩展该框架处理OCT体积数据，并探索其在其他退行性视网膜疾病（如糖尿病黄斑水肿）中的应用潜力。这一成果标志着深度学习在眼科影像分析领域迈入了可解释、可临床转化的新阶段。