《Applied Sciences》：Retinal Nerve Fiber Layer Defect Detection with Inexact Position-Wise Sector Contrastive Learning on Retinal Fundus Images
编辑推荐：
视网膜神经纤维层缺损（RNFLD）是青光眼的关键早期指标。现有的RNFLD检测方法未能充分利用临床解剖学先验知识，难以检测细微或弥漫性病变，且严重依赖高质量标注。为解决这些问题，本文提出了一种基于眼底图像的不精确位置感知扇形对比学习（IPSCL）方法用于RNF
视网膜神经纤维层缺损（RNFLD）是青光眼的关键早期指标。现有的RNFLD检测方法未能充分利用临床解剖学先验知识，难以检测细微或弥漫性病变，且严重依赖高质量标注。为解决这些问题，本文提出了一种基于眼底图像的不精确位置感知扇形对比学习（IPSCL）方法用于RNFLD检测。IPSCL结合了位置引导、基于新型径向杯盘比（RCDR）的不精确监督学习以及扇形级对比学习，以利用解剖学相关性并增强细粒度特征判别能力。在原始RNFLD数据集及其扩展版本上的实验表明，IPSCL优于最先进的方法，扇形级F1分数达到83.84%，图像级F1分数达到94.98%。该方法能有效检测细微和弥漫性缺损，同时减少对标注的依赖。本研究为临床RNFLD检测提供了一种可靠且可解释的解决方案。
**论文解读：基于不精确位置感知扇形对比学习的视网膜神经纤维层缺损检测方法**
**1. 研究背景与问题**
青光眼是全球导致不可逆视力损伤和失明的主要原因，其关键病理特征包括视网膜神经纤维层（RNFL）和视盘的结构性改变。视网膜神经纤维层缺损（RNFLD）是青光眼早期诊断的重要指标，常在不可逆视力功能丧失前数年出现。因此，开发可靠的RNFLD检测方法对于支持早期青光眼诊断至关重要。
传统的RNFLD自动检测主要依赖光学相干断层扫描（OCT），但OCT成本高、便携性有限，不适用于大规模筛查。相比之下，基于彩色眼底图像的RNFLD检测更具可及性和成本效益。然而，现有的基于眼底图像的方法存在三个关键问题：第一，未能充分利用RNFLD的解剖学先验知识（即RNFLD通常表现为围绕视盘呈放射状分布的楔形缺损），导致对无关区域（如血管阴影）的误检或有效信号被稀释；第二，缺乏专门机制来增强细粒度特征可分性，难以检测边界模糊、信号微弱的细微或弥漫性RNFLD；第三，未能利用RNFLD与视神经头（ONH）边缘缺损之间已充分记录的临床相关性。已有的位置引导网络（PGN）虽然通过聚焦视盘周围区域改善了基础检测性能，但仍存在上述局限性。
**2. 研究内容与意义**
研究人员提出了一种名为不精确位置感知扇形对比学习（IPSCL）的新方法，专门针对RNFLD检测。该方法包含三个模块：基础模块位置引导目标（PGT）模块负责基本分类任务；核心模块扇形级对比学习（SCL）模块通过对比同一眼底图像中正常与异常扇区的特征，增强模型对细微病理差异的捕获能力；另一核心模块不精确监督学习（ISL）模块引入了一种新颖的径向杯盘比（RCDR）指标，利用预训练的杯盘分割模型生成辅助监督信号，以利用RNFLD与ONH边缘缺损的临床相关性。
实验在私有临床数据集（4335张图像）及其扩展版本（4515张图像，新增180张弥漫性RNFLD图像）上进行。结果表明，IPSCL在多个指标上优于所有对比方法，包括PGN、HDL、YOLOv8/v10、DiffMIC-v2和MedViT-v2。在局部化主导的数据集上，扇形级F1分数达83.84%，图像级F1分数达94.98%；在混合局部-弥漫性数据集上，扇形级F1分数达75.19%，图像级F1分数达91.41%。该方法有效检测了细微和弥漫性缺损，同时减少了对高质量标注的依赖。论文发表在《Applied Sciences》上，为临床RNFLD检测提供了可靠且可解释的解决方案。
**3. 关键技术方法**
研究人员主要采用了以下关键技术方法：
- 基于YOLO11s-pose的地标检测器定位视盘中心和黄斑中心，提取以视盘为中心的圆形感兴趣区域（ROI），并进行扇形级极坐标变换（SLPT）以生成围绕视盘的12个扇区表示。
- 使用预训练的HANet模型进行视杯和视盘分割，计算每个扇区的径向杯盘比（RCDR）指标，作为不精确监督信号注入特征融合模块。
- 采用扇形级对比学习（SCL）模块，将每个扇区视为独立样本，通过对比损失函数最小化RNFLD阳性扇区间的特征距离，同时最大化阳性与阴性扇区间的特征距离。
- 采用三阶段目标优化策略：前两阶段参考PGN框架进行初始参数锚定和联合标签-模型优化，新增第三阶段微调，利用蒸馏标签稳定训练。
- 总损失函数整合了阶段特异性目标损失、RCDR回归损失和扇形级对比损失。
- 数据集来源：所有眼底图像均来自中国北京协和医院，图像采集于2019年完成，统一分辨率为1384×1384像素。
**4. 研究结果**
**4.1 消融实验**
**4.1.1 最优视盘扇区数验证**：研究人员测试了8、10、12、15、18、20共六种扇区数量，以扇形级F1分数为评价指标。结果显示，当视盘分为12个扇区时，F1分数达到峰值0.8337，同时准确率和灵敏度也最高（0.9910和0.8120）。12扇区划分与临床常用的时钟小时扇形分析及下-上-鼻-颞（ISNT）规则一致，为后续实验的统一标准。
**4.1.2 对比损失边际参数m验证**：研究人员测试了m=0.05、0.10、0.15、0.20、0.25、0.30共六个值。当m=0.10时，扇形级F1分数最高（0.8337）。过小的m无法有效分离正负样本特征，过大的m则过度约束导致忽略阳性扇区内的细微特征变异。因此，m=0.10被设定为默认值。
**4.1.3 核心组件消融**：基线模型为基于PGN的复现，排除ISL和SCL模块。对比变体包括基线+ISL、基线+SCL以及完整IPSCL。结果表明，完整IPSCL取得最佳性能（F1=0.8337，Acc=0.9910，Sen=0.8120），证明ISL和SCL模块具有显著的协同效应：ISL提供临床先验约束，SCL增强特征判别力，二者结合效果最优。
**4.2 与现有方法的性能对比**
**4.2.1 局部化RNFLD性能**：在数据集上，IPSCL在扇形级F1分数（0.8384）和图像级F1分数（0.9498）上均超越所有对比方法。SCL模块使灵敏度达到0.8333，显著高于PGN（0.7764）和YOLO系列（0.4878-0.5854）。ISL模块在保持高特异性（0.9957）的同时提高了灵敏度，避免了HDL等方法的低特异性问题。
**4.2.2 混合局部-弥漫性RNFLD性能**：在扩展数据集上，IPSCL的扇形级F1分数为0.7519，超过第二名PGN（0.6996）5.23个百分点。其特异性最高（0.9902），灵敏度为0.7114，实现了更平衡的误差分布。
**4.2.3 弥漫性RNFLD子组性能**：在50张弥漫性RNFLD测试图像上，IPSCL的扇形级F1分数达0.7425，灵敏度0.7033，均优于PGN（0.6710和0.6260），证明其对弥漫性病变的有效检测能力。
**4.3 可视化结果**
可视化比较显示，对于局部化RNFLD，IPSCL正确识别了所有真实扇区（包括外周扇区11），而对比方法存在漏检或误检。对于弥漫性RNFLD，IPSCL完整检测到六个病变扇区，而其他方法存在系统性漏检。注意力图显示模型聚焦于与临床观察一致的解剖学相关区域，增强了可解释性。
**5. 讨论与结论**
**讨论部分总结**：IPSCL通过整合PGT、ISL和SCL模块，在局部化、混合及弥漫性RNFLD评估中均优于对比方法。扇形级RCDR指标将局部ONH边缘信息作为辅助监督，扇形级对比学习增强了细微异常区域与正常组织的判别能力。该方法通过解剖学对齐的扇区划分和注意力图可视化提供了临床可解释的预测。然而，本研究使用的临床数据来自单一机构，因此在判断IPSCL的临床实用性之前，需要独立前瞻性地使用来自不同医疗中心、涵盖不同人群、成像设备和采集环境的患者数据进行验证。未来研究还将探索端到端分割和多模态扩展。
**研究结论翻译**：本研究引入了IPSCL，一种用于视网膜眼底图像中RNFLD检测的新方法，解决了现有方法对解剖学先验利用不足以及识别细微和弥漫性缺损困难的问题。通过整合PGT、ISL和SCL模块，IPSCL在局部化、混合局部-弥漫性以及专门弥漫性子组评估中均取得了优于对比方法的性能。两个关键组件支撑了这些改进：扇区特异性RCDR指标将局部ONH边缘信息作为辅助监督，而扇形级对比学习增强了细微异常区域与正常视网膜组织的判别能力。IPSCL还通过解剖学对齐的扇区划分和注意力图可视化提供了临床可解释的扇形级预测。然而，本研究中使用的临床数据来自单一机构。因此，在判断IPSCL的临床实用性之前，必须使用来自不同医疗中心、涵盖不同人群、成像设备和采集环境的患者数据进行独立前瞻性验证。进一步的研究还将探索端到端分割和多模态扩展。总体而言，目前的结果支持IPSCL作为一种有前景且可解释的RNFLD检测方法，但其临床实用性仍有待通过独立前瞻性多中心验证来确定。
