基于多分割CVI-UNet的EDI-OCT图像脉络膜血管指数自动计算研究

为解决脉络膜血管指数(CVI)手动计算效率低、误差大的问题，研究人员开发了集成通道注意力模块(CAM)和血管增强块(VEB)的CVI-UNet模型，实现了EDI-OCT图像中脉络膜和血管的同步自动分割，准确率达97.04%（脉络膜）和95.58%（血管），为眼科疾病监测提供了高效工具。

　　

在眼科诊疗领域，脉络膜血管指数（CVI）已成为评估炎症性及血管性眼病的重要指标，其通过量化脉络膜内血管面积占比（LA/TCA），比传统脉络膜厚度测量更能反映血管功能状态。然而，由于脉络膜结构复杂（包含无序分布的血管和基质）、OCT图像质量受设备分辨率及光源影响，人工分割存在耗时长（需用ImageJ手动标注）、观察者间差异大等问题。尤其对于需要长期监测的药物疗效评估（如调节脉络膜血流的药物副作用），传统方法难以满足临床高效精准的需求。

针对这一挑战，研究人员提出了一种革命性的解决方案——CVI-UNet模型。该研究创新性地将U-Net架构改造为多任务分割网络：共享编码器配合双解码器，分别输出脉络膜整体区域和血管区域的精确分割。模型核心突破在于引入两大模块——通道注意力模块（CAM）通过动态加权特征通道增强关键信息提取；血管增强块（VEB）专门优化细小血管的识别能力。在技术实现上，研究采用Zeiss Cirrus 6000 OCT采集的504张EDI-OCT图像（21线扫描模式，9mm宽度）作为训练集，通过TensorFlow 2.1.0框架开发，最终在私有数据集上达到96.83%的脉络膜分割DSC值（Dice相似系数）和93.99%的血管分割DSC值，显著优于现有方法。

关键技术方法
研究采用Zeiss HD 21线扫描程序获取504张EDI-OCT图像，构建包含脉络膜和血管标注的数据集；开发基于U-Net的多分割架构，集成CAM模块优化特征选择，VEB模块增强血管识别；使用TensorFlow 2.1.0实现模型训练，通过DSC、Jaccard指数等指标评估性能。

主要研究结果

1. 模型架构验证：双解码器设计在保留脉络膜整体结构同时精准定位血管，VEB使细小血管分割准确率提升12.6%。
2. 性能对比：在相同数据集上，CVI-UNet的脉络膜分割准确率（97.04%）比传统U-Net提高4.2个百分点。
3. 临床应用价值：自动计算的CVI值与人工测量结果高度一致（组内相关系数>0.95），显著降低糖尿病视网膜病变患者的监测时间成本。

结论与意义
该研究首次实现EDI-OCT图像中脉络膜与血管的端到端自动分割，其创新点在于：① 多任务学习框架同步输出两种分割结果；② CAM-VEB组合模块解决细小血管识别难题；③ 为CVI计算建立标准化流程。相比传统方法，自动化流程将单次分析时间从30分钟缩短至秒级，且不受观察者经验影响。这项发表于《Biomedical Signal Processing and Control》的成果，不仅为青光眼、年龄相关性黄斑变性（AMD）等疾病的早期诊断提供新工具，更为药物临床试验中的脉络膜血流监测建立了可靠范式。未来可进一步探索模型在 swept-source OCT（SS-OCT）等新型成像技术中的迁移应用。