编辑推荐：
干眼症（DED）是常见眼表疾病，睑板腺功能障碍（MGD）是其主要病因。为精准分析睑板腺形态，研究人员开展基于图像旋转 Mask R-CNN 方法的研究。结果显示该方法分割精度高，能准确测定腺体形态参数，对干眼症诊断意义重大。
在眼科疾病的研究领域中，干眼症（Dry Eye Disease，DED）就像一个隐藏在暗处的 “视力杀手”，悄无声息地影响着全球无数人的生活。它是一种多因素导致的眼表疾病，主要特征是泪膜不稳定，常常伴随着眼部不适，严重时还会损害视力。据统计，全球有大量人口受其困扰，不仅降低了生活质量，还对工作效率产生负面影响。
睑板腺（Meibomian glands，MGs）作为眼睛的 “守护者”，起着至关重要的作用。它位于眼睑内，分泌的脂质是泪膜表面脂质层的主要成分，能防止泪液蒸发，维持泪膜稳定。然而，当睑板腺出现功能障碍（Meibomian gland dysfunction，MGD）时，就如同给干眼症打开了 “方便之门”，成为引发干眼症的主要原因之一。
目前，诊断 MGD 的重要手段之一是通过睑板腺造影（meibography）观察睑板腺形态。传统评估方法主要是将观察结果与离散分级量表对比，得出所谓的睑板腺评分（meiboscore），或者手动计算睑板腺缺失百分比。但这些方法存在诸多弊端，不仅耗时耗力，而且受主观因素影响大，难以准确反映单个腺体的特征。例如，不同医生对睑板腺缺失区域的判断可能存在差异，导致结果的可重复性差。
随着人工智能技术的飞速发展，其在医学领域的应用越来越广泛，为解决睑板腺形态评估难题带来了新希望。许多研究尝试利用神经网络分析睑板腺，但仍存在不少问题。一方面，现有的模型大多仅在一种商业睑板腺造影设备的数据上进行训练和微调，不同设备获取的图像在分辨率、对比度和光源等方面存在差异，使得这些模型难以直接应用于其他设备的数据；另一方面，模型的分割精度还有待提高，尤其是在处理复杂的睑板腺图像时，如存在镜面反射、睫毛遮挡等情况。
为了攻克这些难题，来自国外的研究人员开展了一项极具创新性的研究。他们提出了一种全新的方法，将 DeepLabV3 神经网络用于睑板（tarsus）分割，结合图像旋转的 Mask R-CNN 神经网络对睑板腺实例进行分割。
研究人员使用了来自两种不同设备（LipiView II 和 Keratograph 5M）的 1515 张回顾性图像，包括亚洲人和高加索人的眼睑图像。这些图像被随机分为训练集、验证集和测试集。在实验过程中，他们对图像进行了预处理和数据增强，以提高模型的泛化能力。同时，通过手动标注睑板和睑板腺，为模型训练提供了准确的标注数据。
研究人员利用 DeepLabV3 和 Mask R-CNN 模型进行训练和优化，通过调整一系列超参数，如批量大小、优化器、损失函数等，找到最佳模型参数组合。在评估模型时，他们采用了多种指标，如交并比（Intersection over Union，IoU）、平均杰卡德指数（Average Jaccard Index，AJI）、精度、召回率和 F1 分数等。
研究结果令人瞩目。在测试数据集上，该方法的平均 Jaccard 指数达到 66.3%，交并比达到 70.5%，超过了以往的其他方法。在处理两种主要睑板腺造影设备的图像时，该方法也展现出了优异的性能。此外，该方法能够精确测定睑板腺的形态参数，包括长度、厚度、曲折度和腺体面积比等。通过 Bland-Altman 分析发现，模型在测定腺体数量、宽度、曲折腺体数量、单个腺体面积比（Singular Glands Area Ratio，SGAR）和合并腺体面积比（Merged Glands Area Ratio，MGAR）等参数时，与手动标注的真实值具有较好的一致性。
在模型性能比较方面，与以往文献中的方法相比，该研究提出的模型在 IoU 和 AJI 等指标上表现更优。例如，之前研究中最高的 AJI 结果为 58%，而本研究的平均结果达到 66.3%；在 IoU 方面，之前最好的文献结果为 67/68%，本研究则达到 70.5%。
然而，该模型也并非十全十美。在处理一些特殊情况时，如非典型腺体特征（如收缩、高度曲折、重叠或存在幽灵腺）和图像问题（如失焦、眼睑外翻不当或眩光），模型的分割质量会受到一定影响。此外，自我标注可能会引入一些偏差，尽管通过计算线性加权 Cohen's kappa 系数验证了标注的一致性，但仍存在改进空间。
总体而言，这项研究提出的睑板腺分割方法为精确分析睑板腺形态提供了有力工具。其创新性的图像旋转 Mask R-CNN 模型显著提高了分割质量，尤其是在处理更具挑战性的上眼睑图像时表现出色。该研究成果发表在《Biomedical Signal Processing and Control》上，为干眼症的诊断和治疗提供了新的思路和方法，具有重要的临床意义。未来，研究人员可进一步扩大训练数据集，优化模型算法，以提高模型在处理复杂情况时的性能，推动干眼症诊断技术的发展。
关键技术方法
研究使用来自 LipiView II 和 Keratograph 5M 设备的图像构建数据集，包含亚洲人和高加索人眼睑图像。利用 DeepLabV3 进行睑板语义分割，Mask R-CNN 实现睑板腺实例分割。对图像进行标准化、归一化、CLAHE 和伽马校正等预处理及数据增强，还运用超参数调整、模型训练优化、多指标评估等技术。
研究结果
- 模型训练优化结果：确定 DeepLabV3 和 Mask R-CNN 最佳训练参数。如 DeepLabV3 用 AdamW 优化器等参数训练，IoU 达 91.9%；Mask R-CNN 用 AdamW 优化器等参数训练，在测试集上有良好表现。
- 分割性能评估结果：该方法在测试集上 IoU 为 70.5%、AJI 为 66.3%，相比其他方法优势明显，且对不同设备图像都有较好分割效果。
- 腺体形态分析结果：能精准测定腺体形态参数，Bland-Altman 分析显示多数参数测定值与真实值一致性好，且模型计算的 meiboscore 与手动标注结果一致性较高。
研究结论与讨论
本研究提出的方法能精确分析睑板腺形态，图像旋转 Mask R-CNN 模型提升了分割质量，在多指标上优于文献方法，对两种主要设备图像有效且可准确测定腺体指标。但模型存在标注偏差和处理特殊情况能力不足等局限。整体而言，该研究为干眼症诊断提供了更有效的手段，推动了睑板腺形态评估技术发展。
