深度学习模型在巩膜镜佩戴期间前段OCT图像分割中的性能评估

本研究针对巩膜镜佩戴时前段光学相干断层扫描(AS-OCT)图像分割的临床需求，系统评估了16种深度学习模型对巩膜镜、角膜各层结构的自动分割性能。研究人员采用U-Net、U-Net++等4种架构结合5种编码器，通过Dice系数和边界误差分析发现U-Net++/VGG19组合表现最优（整体Dice系数99.26%），为临床定量分析提供了高效精准的自动化解决方案。

　　

在眼科临床实践中，巩膜镜作为治疗不规则角膜的重要器械，其佩戴状态下的角膜形态监测至关重要。前段光学相干断层扫描(AS-OCT)虽能提供高分辨率图像，但商业设备的自动分割功能常无法准确识别巩膜镜与角膜各层边界，迫使医生进行耗时且易出错的手工标注。更棘手的是，Bowman层与基质界面的低反射特性使得传统算法难以稳定识别，而巩膜镜引起的垂直光反射伪影进一步增加了分析难度。

针对这些技术瓶颈，澳大利亚昆士兰科技大学（Queensland University of Technology）的研究团队开展了一项创新性研究。他们系统比较了16种深度学习模型对巩膜镜佩戴状态下AS-OCT图像的自动分割性能，相关成果发表在眼科领域权威期刊《Contact Lens and Anterior Eye》上。

研究采用四大关键技术方法：首先采集15名健康受试者佩戴巩膜镜0/480分钟时的AS-OCT图像建立数据集；其次由经验丰富的观察者手动标注5类边界（B1-B5）作为金标准；然后构建包含U-Net、U-Net++等4种架构与EfficientNet-B4等5种编码器的组合模型；最后通过Dice系数和平均绝对边界误差(MAE)进行量化评估。

方法学创新

研究团队创造性地将语义分割转化为六类识别任务（C1-C6），包括空气、巩膜镜、流体储层等结构。特别值得注意的是，针对角膜上皮与Bowman层(C4)、基质层(C5)的同质性难题，模型通过多尺度特征提取和跳跃连接优化处理能力。数据增强方面采用图像水平分割与翻转策略，将原始360张图像扩展至480张训练样本。

性能对比

结果部分揭示多项重要发现：

1. 架构差异：U-Net++在保持U-Net优点的同时，通过密集跳跃连接使整体Dice系数提升至99.26%，尤其对C4的分割精度达95.40%，显著优于基础U-Net架构。

2. 编码器选择：VGG19在边界定位中表现突出，B3界面MAE仅0.43像素，证明其空间特征提取能力适合AS-OCT图像分析。

3. 临床验证：最优模型生成的厚度图谱清晰显示，8小时佩戴后流体储层厚度减少约50μm，角膜中央增厚12-15μm，与已知的角膜水肿生理变化高度吻合。

讨论与展望

该研究突破了现有商业OCT软件的局限性，其U-Net++/VGG19模型对巩膜镜(B2)和内皮层(B5)的分割误差分别控制在0.6和1.0像素内，满足临床测量需求。值得注意的是，尽管所有模型在空气-镜片界面(B1)分割中都达到99%以上精度，但DenseNet201在Bowman层(B4)出现7.78像素的显著误差，提示编码器选择对同质组织分割尤为关键。

这项研究的重要意义在于：首次系统评估了不同深度学习组合在巩膜镜-OCT图像分析中的性能边界，建立的自动化流程可节省80%以上手工标注时间。未来研究可进一步拓展至病理性角膜和不同镜片设计场景，而当前模型已为临床评估巩膜镜适配性提供了可靠工具。正如作者强调的，该方法成功解决了反射伪影干扰下的组织边界识别难题，为智能眼科诊断技术的发展树立了新标杆。