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与临床应用

推荐：本研究针对巩膜镜佩戴期间前段光学相干断层扫描(AS-OCT)图像手动分割耗时且易出错的问题，系统评估了16种深度学习(DL)模型对巩膜镜、泪液储池及角膜边界的自动分割性能。研究发现U-Net++/VGG19模型表现最优（总体Dice系数99.26%），为临床评估镜片适配性及角膜形态变化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（scleral lens）作为治疗不规则角膜和严重干眼症的重要工具，其适配性评估依赖前段光学相干断层扫描（Anterior Segment Optical Coherence Tomography, AS-OCT）。然而，传统手动分割AS-OCT图像不仅耗时费力，还易受操作者主观影响，尤其在大样本研究中可能引入系统性误差。更棘手的是，商业OCT设备往往缺乏针对巩膜镜佩戴场景的自动分割功能，而现有算法对低分辨率临床图像和特殊界面（如Bowman层与基质交界处）的处理效果欠佳。

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》发表了一项开创性研究。研究人员系统评估了4种深度学习架构（U-Net、U-Net++、FPN和MA-Net）与5种编码器（EfficientNet-B₄、DenseNet201等）组合的16种模型，在15名健康受试者佩戴巩膜镜480分钟期间的AS-OCT图像分割性能。通过Dice系数和边界平均绝对误差(MAE)量化分析，发现所有模型对高反射界面（如镜片-空气界面）分割准确率超99%，而U-Net++/VGG19组合以99.26%的总体Dice系数和<1像素的MAE表现最优，成功实现角膜各层厚度变化的动态监测。

研究采用三大关键技术：首先，使用Nidek RS-3000 Advance OCT仪获取12幅径向B扫描图像，通过水平分割和翻转实现数据扩增；其次，由经验观察者手动标注5类边界（B1-B5）作为金标准；最后，采用50个训练周期和Dice损失函数优化模型性能。值得注意的是，研究特别设计了语义分割的6个类别（C1-C6），涵盖从镜片到前房的完整解剖结构。

结果部分呈现三大发现：

1. 模型性能比较：U-Net++架构在多数指标上领先，其与VGG19组合对流体储池（C3）分割达99.11% Dice值，而DenseNet201在角膜基质（C5）分割出现7.78像素MAE的显著误差。

2. 边界误差分析：所有模型对B1-B3界面（镜片相关）分割误差<1像素，但内皮界面（B5）普遍存在约1像素偏差，反映低反射组织的分割挑战。

3. 临床验证：厚度图谱显示佩戴8小时后流体储池变薄（平均减少42μm），角膜中央增厚4.3%，印证了模型捕捉生理变化的敏感性。

讨论部分揭示了三个关键进展：技术层面，证实模型复杂度并非性能决定因素，U-Net++的跳跃连接有效平衡了特征层级；临床层面，首次实现巩膜镜动态适配的自动化评估，解决了镜片偏位导致的测量偏差问题；方法论层面，提出针对OCT镜面伪影的对比度自适应优化方向。与既往研究相比，该模型将流体储池分割精度从97.05%提升至99.71%，显著优于Zhou等报道的多尺度网络。

这项研究为巩膜镜个性化适配提供了可靠工具，其意义不仅在于解决现有临床痛点，更开创了DL技术应用于角膜病理状态监测的新路径。未来需在角膜病变样本和不同扫描协议中验证模型鲁棒性，但当前成果已为智能眼科诊疗树立了重要标杆。