基于深度学习的巩膜接触镜佩戴中眼前节OCT图像精准分割模型研究

为解决眼前节光学相干断层扫描(AS-OCT)图像在巩膜接触镜佩戴场景下的自动分割难题，研究人员系统评估了16种深度学习模型（含U-Net、U-Net++等4种架构与5种编码器组合）的性能。研究发现U-Net++/VGG19模型表现最优（总体Dice系数99.26%），可精准识别镜片、液储层及角膜各层结构，为临床评估镜片适配性及组织形态变化提供自动化解决方案。

　　

在接触镜临床实践中，眼前节光学相干断层扫描(AS-OCT)已成为评估镜片适配性和角膜形态的重要工具。然而现有商业设备缺乏针对巩膜接触镜佩戴场景的自动分割功能，依赖人工标注不仅耗时费力，还易受操作者主观影响。尤其当面对Bowman层与基质层等低反射界面时，传统算法的分割精度显著下降。这一技术瓶颈严重制约了AS-OCT在巩膜镜动态监测中的应用价值。

针对这一挑战，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》发表研究，系统比较了16种深度学习模型对巩膜镜佩戴者AS-OCT图像的自动分割性能。研究人员创新性地采用语义分割策略，将图像划分为空气、镜片、液储层等6个语义类别，通过Dice系数和边界误差双重指标评估模型表现。

关键技术方法包括：采集15名健康受试者佩戴巩膜镜后0/480分钟的AS-OCT图像；人工标注5个关键边界作为金标准；测试U-Net、U-Net++、FPN和MA-Net四种架构分别搭配EfficientNet-B4等五种编码器的组合；采用Adam优化器（学习率0.0001）训练50个epoch；通过水平裁剪和翻转实现数据增强。

研究结果显示：

1. 性能评估：所有模型对镜片和液储层的分割表现优异（Dice系数>99%，平均绝对误差<1像素），但角膜上皮/Bowman层（C4）和基质层（C5）因组织均质性导致部分模型分类困难。

2. 最优模型：U-Net++/VGG19组合展现最佳综合性能，总体Dice系数达99.26%，各分类Dice系数介于99.11-99.77%。

3. 边界精度：U-Net++/Xception模型的平均边界误差最小（各界面<1像素），但Dice系数略低于U-Net++/VGG19。

4. 临床验证：选择U-Net++/VGG19模型生成的厚度图显示，8小时佩戴后液储层变薄且更均匀，角膜出现肿胀，镜片厚度变化可能与偏心有关。

讨论部分指出，该研究首次系统比较了多种深度学习架构在巩膜镜AS-OCT分割中的表现。尽管模型复杂度差异显著，但性能差距较小，提示U-Net++等轻量架构已能满足临床需求。值得注意的是，垂直入射光造成的镜面反射伪影（如图1中垂直条纹）仍是技术难点，未来需通过对比度自适应损失函数等策略优化。

这项研究为巩膜镜临床研究提供了可靠的自动化分析工具，其意义在于：

1. 突破人工标注瓶颈，使大规模纵向研究成为可能；

2. 精准量化镜片-角膜动态关系，为个性化适配提供数据支持；

3. 建立开源模型比较框架，为病理角膜等复杂场景的研究奠定基础。作者建议后续研究应拓展至角膜病变患者及不同镜片设计，以验证模型的泛化能力。