深度学习模型在巩膜镜佩戴期间前段OCT图像语义分割中的性能评估与优化

推荐：为解决巩膜镜佩戴期间前段光学相干断层扫描（AS-OCT）图像手动分割效率低、误差大的问题，研究人员系统评估了16种深度学习模型（含U-Net++/VGG19等组合）对巩膜镜-角膜界面的自动分割性能。结果显示所有模型对镜片及泪液储库分割准确率超99%，其中U-Net++/VGG19以99.26%的Dice系数表现最优，为临床精准评估镜片适配及角膜形态变化提供新工具。

　　

在眼科临床实践中，巩膜镜（Scleral Lens）作为治疗不规则角膜和严重干眼症的重要工具，其佩戴适配性的评估一直依赖前段光学相干断层扫描（AS-OCT）图像分析。然而，传统手动标注不仅耗时费力，还易受操作者主观影响，尤其当面对长达8小时的动态监测数据时，临床医生常陷入"标注疲劳"的困境。更棘手的是，商业OCT设备自带的自动分割算法常将巩膜镜误判为角膜组织，导致泪液储库厚度等关键参数计算偏差。

针对这一技术瓶颈，来自澳大利亚昆士兰科技大学（Queensland University of Technology）的Yoel Garcia Marin团队在《Contact Lens and Anterior Eye》发表创新研究。他们系统比较了4种深度学习架构（U-Net、U-Net++、FPN和MA-Net）与5种编码器（如VGG19、EfficientNet-B4）组合的16种模型，利用15名健康受试者佩戴巩膜镜后0/480分钟的AS-OCT图像数据集（共360张图像），首次实现了对巩膜镜-角膜复合结构的精准语义分割。

研究采用三大关键技术：1）多架构编码器组合策略，通过迁移学习（Transfer Learning）利用ImageNet预训练权重；2）创新性定义六类语义标签（含巩膜镜、泪液储库、Bowman层等）；3）双指标验证体系——既计算像素级重叠的Dice系数，又评估临床关注的边界绝对误差（MAE）。所有模型均在Nidek RS-3000 Advance OCT仪采集的径向12线扫描图像上测试，通过水平切割和翻转实现数据扩增至480个样本。

结果部分呈现三大发现

1. 分类性能

U-Net++/VGG19以99.26%的整体Dice系数夺冠，其中巩膜镜（C2）和泪液储库（C3）分割准确率均超99.1%。但Bowman层与基质界面（B4）因组织均质性导致部分模型（如U-Net/DenseNet201）Dice系数骤降至10.79%，揭示组织反射特性对模型鲁棒性的关键影响。

2. 边界定位

所有模型对高反射界面（B1-B3）的MAE均<1像素，而内皮/前房界面（B5）误差稍高（最大1.36像素）。U-Net++/Xception以平均0.54像素误差成为边界定位最优模型，证明编码器选择对微米级精度的重要性。

3. 临床验证

通过U-Net++/VGG19生成的厚度图直观显示：8小时佩戴后泪液储库变薄且分布均匀（厚度差达47μm），角膜出现预期水肿，而巩膜镜厚度变化主要源于镜片偏位——这与既往流体动力学研究高度吻合。

讨论与展望

该研究突破性地证实：在AS-OCT图像分割任务中，模型复杂度并非决定性能的关键因素——简单的U-Net++架构配合经典VGG19编码器即可实现临床级精度。这一发现颠覆了既往认为必须采用多尺度特征融合等复杂设计的认知。值得注意的是，研究首次系统评估了OCT垂直反射伪影（见图1中亮条纹）对DL模型的影响，为后续研究提供重要警示。

未来方向应聚焦三大领域：1）扩展至病理性角膜数据集，验证模型对圆锥角膜等异常形态的适应性；2）开发针对Bowman层低对比度的专用损失函数；3）整合时序分析模块以实现动态佩戴监测。这项研究不仅为巩膜镜个性化适配提供AI解决方案，其建立的评估框架更为其他眼科影像分析（如角膜交联术评估）树立了新标杆。