基于深度学习的OCT重建技术提升视网膜成像速度与对比度
摘要
光谱域光学相干断层扫描（SD-OCT）在眼科临床中广泛应用，但其成像速度和灵敏度受限。本研究提出一种基于深度学习的方法，通过改进的U-Net架构来增强SD-OCT系统的成像速度和灵敏度。该方法采用视觉状态空间模型，从高速采集的数据中合成高信噪比（SNR）的OCT和OCTA图像，从而绕过硬件限制。实验结果表明，该方法在高SNR OCT/OCTA重建中表现出色，提高了视网膜各层之间的对比度，并清晰地描绘了层边界。微血管和脉络膜等细小结构也得到了成功恢复。这一技术为实现高速成像和高灵敏度提供了新的途径。
信息来源： PubMed Ophthalmology 发布于 2026年2月1日
要点速览
- 研究提出了一种基于深度学习的方法，通过改进的U-Net架构来增强SD-OCT系统的成像速度和灵敏度。
- 该方法采用视觉状态空间模型，从高速采集的数据中合成高信噪比（SNR）的OCT和OCTA图像。
- 实验结果表明，该方法在高SNR OCT/OCTA重建中表现出色，提高了视网膜各层之间的对比度，并清晰地描绘了层边界。
本站解读
这项研究揭示了眼科成像技术路线的重要变迁。传统上，提高SD-OCT的成像速度和灵敏度一直是一个难以兼顾的技术瓶颈。然而，通过引入深度学习算法，研究人员成功突破了这一限制，实现了两者的同时提升。这不仅意味着未来的眼科诊断将更加高效准确，还可能引发行业内的新一轮技术竞赛。
国内外多家企业已经在积极探索类似的技术路径，如蔡司、海德堡等国际大厂以及国内的一些创新型企业。这些公司在研发管线上的布局和进展，将成为未来几年内眼科成像领域的重要看点。随着技术的不断成熟，预计会有更多基于人工智能的解决方案进入市场，进一步推动眼科诊疗的数字化转型。
值得注意的是，尽管这项技术展示了巨大的潜力，但其实际应用效果仍需经过大规模临床验证。此外，数据安全和隐私保护也是不容忽视的问题。后续需要密切关注的是，各大厂商如何在保证数据安全的前提下，推进这一技术的商业化进程。
常见问题
这种新技术对患者有什么好处？
这种新技术可以提高眼科成像的速度和质量，使医生能够更快速、更准确地诊断眼部疾病。如有疑虑可咨询眼科医生。
这项技术什么时候能用到医院里？
目前这项技术还在研究阶段，具体何时能在医院中广泛应用还需等待进一步的临床验证和商业化进程。
延伸阅读
基于深度学习的OCT数据预测青光眼视野平均偏差
该研究旨在评估数值光学相干断层扫描（OCT）数据能否通过深度学习（DL）预测Humphrey视野分析仪（HFA）30-2视野平均偏差（MD）。回顾性分析了1200只眼睛（432只青光眼和768只正常眼睛），这些眼睛在同一天进行了频域OCT（12×9.0-mm高密度扫描）和HFA 30-2测试。像素级视网膜厚度数值直接从OCT导出并输入八个深度学习模型，包括五个卷积神经网络（ResNet50、VGG16、InceptionV3、EfficientNetB0和DenseNet121）和三个视觉变换器（ViT、DeiT和BEiT）。研究进行了两个任务：回归任务预测连续HFA MD值，分类任务区分预定义MD阈值下的视野恶化。对于回归任务，使用标准回归指标评估模型性能，并通过Bland-Altman分析评估预测与测量MD值的一致性。对于分类任务，使用基于阈值的判别指标评估模型性能。所有模型中，InceptionV3表现最佳，平均绝对误差为3.36 dB，决定系数为0.53。在临床相关MD阈值的分类分析中，基于CNN的模型在早期、中期和严重视野损失中表现出高判别性能。该研究开发了一种准确且可解释的DL系统，直接利用原始OCT厚度数据预测HFA 30-2 MD值，可能增强青光眼的诊断。
新型深度学习网络提升OCT视网膜疾病检测
糖尿病黄斑水肿、老年性黄斑变性和视网膜静脉阻塞等眼疾需要及时准确的诊断。光学相干断层扫描（OCT）是重要的诊断工具，但其图像解读复杂。为此，研究人员开发了AMDF-Net，一种结合多种先进模块的深度学习架构，能够更精准地识别和定位视网膜病变。实验结果显示，该网络在公开数据集上的Dice系数达到98.87%，分类准确率为98.12%。
基于OCT和深度学习的糖尿病周围神经病变早期诊断
研究开发了一种非侵入性的糖尿病周围神经病变（DPN）诊断工具，利用多模态光学相干断层扫描（OCT）图像和多头注意力机制的深度学习算法。该模型在3264张OCT图像上进行训练和验证，结果显示其在五折交叉验证中的平均AUC为0.719，在时间验证数据集中的AUC为0.721。无血管层提供了最高的预测价值，表明这种非侵入性方法具有临床应用潜力。