编辑推荐：
本文全面综述深度学习在视网膜 OCT 图像分割领域的进展。介绍 OCT 技术原理，总结 20 个公开数据集和 15 个评估指标，分析解剖结构与病理病变分割方法，探讨面临的挑战并指出未来方向，为相关研究提供参考。
引言
光学相干断层扫描（Optical Coherence Tomography，OCT）是一种非侵入性、高分辨率的断层成像技术，自 1991 年问世以来，在眼科临床应用广泛，成为眼部疾病诊断的标准工具。对视网膜 OCT 图像中的解剖结构和病理病变进行分割，能为疾病诊断提供关键生物标志物，比如视网膜厚度是黄斑水肿的诊断指标，水肿的大小和位置对评估疾病进展和制定治疗方案意义重大。
然而，OCT 图像分割困难重重。随着组织深度增加，光强减弱，深层组织分辨率降低，视网膜和脉络膜微结构中组织学不同的亚层难以区分；OCT 图像中固有的斑点噪声会掩盖重要细节，增加分割难度；视网膜病变在形状、大小和位置上差异很大，准确识别其模式颇具挑战 。早期的 OCT 分割算法多依赖阈值化、边缘检测等方法，依靠手动提取特征进行决策，虽然可解释性强，但在复杂场景下精度和泛化性能有限。
近年来，深度学习（Deep Learning，DL）备受关注，卷积神经网络（Convolutional Neural Networks，CNNs）在视觉任务中表现出色，能够自动从大量数据中提取高级特征，在医学图像分析包括 OCT 图像分割领域占据主导地位。不过，此前关于 OCT 图像分割深度学习算法的综述存在一些不足，本综述旨在全面总结相关方法，探讨挑战和未来研究方向。
OCT 技术原理与发展
OCT 于 1991 年由 Huang 等人首次用于生物组织成像，它利用低相干干涉技术实现断层微观结构可视化。其原理是将光源发出的光分成两束，分别射向参考镜和样本。射向样本的光被不同深度的解剖结构反射，与参考光束发生干涉 。
公开数据集
深度学习算法训练和测试模型需要大量数据，公开数据集至关重要。文中总结了 2011 - 2023 年发布的 20 个公开视网膜 OCT 数据集，并对常用数据集进行详细介绍。
评估指标
在 OCT 图像分割领域，评估指标种类繁多，主要用于衡量像素分类的准确性和定位的正确性，以全面评估预测结果与真实情况的相似程度。
解剖结构分割
对视网膜和脉络膜层进行分割，是解剖结构形态和定量分析的基础工作，能为多种疾病诊断提供关键生物标志物。相关研究根据模型训练使用的数据和注释，可分为全监督学习方法和有限监督学习方法。
病理病变分割
准确分割 OCT 图像中的病变，对多种眼部疾病的诊断和监测意义重大。传统的病变分割是识别和定位特定类型的病变，近来一些研究采用异常检测方法，在不区分具体病变类别的情况下分割病变区域。该部分对 OCT 病变分割的监督和有限监督方法进行全面综述。
挑战
尽管在视网膜 OCT 图像解剖结构和病理病变分割方面取得一定进展，但仍存在诸多限制。其中，视网膜 OCT 数据集面临数据稀缺和注释困难的问题。获取高质量 OCT 数据，尤其是罕见病和复杂病例的数据难度较大，导致数据多样性不足。
结论
本综述系统分析了 2019 - 2024 年间基于深度学习的视网膜 OCT 图像分割的最新进展和技术演变，为跨学科研究人员在视网膜成像和算法设计之间搭建了桥梁，同时综合整理了公开数据集和评估指标等信息，对推动该领域发展具有重要意义。
