基于解剖学上下文的深度学习在糖尿病视网膜病变黄斑分割中的应用
摘要
准确的黄斑分割是糖尿病视网膜病变筛查的关键步骤，但因黄斑边界模糊而极具挑战性。精确分割对于糖尿病黄斑水肿（DME）的管理至关重要，因为治疗决策依赖于黄斑区域的准确界定。现有方法多依赖于增加模型架构复杂度，而解剖学上下文信息的应用尚未充分探索。本研究提出了一种数据驱动的方法，通过逐步引入关键解剖标志（如视盘、视网膜和血管）来增强黄斑检测。为此，研究团队开发了IDRiD-RETA-FV数据集，并设计了MNv4Fovea框架，利用多类约束机制明确利用这些解剖学相互依赖关系。实验结果表明，该方法在多个数据集上表现出色，特别是在REFUGE和MESSIDOR数据集上的平均欧几里得距离达到最佳水平。
信息来源： PubMed Ophthalmology 发布于 2026年2月24日
要点速览
- 基于解剖学上下文的深度学习方法显著提高了黄斑分割的准确性
- 研究团队开发了IDRiD-RETA-FV数据集和MNv4Fovea框架，利用多类约束机制
- 该方法在多个数据集上表现出色，特别是在REFUGE和MESSIDOR数据集上的平均欧几里得距离达到最佳水平
本站解读
这项研究揭示了眼科影像分析技术路线的一个重要转变：从单纯追求模型复杂度转向充分利用解剖学上下文信息。这一变化不仅提升了黄斑分割的准确性，还为糖尿病视网膜病变的临床管理提供了更可靠的支持。在全球范围内，各大眼科设备制造商和AI医疗公司都在积极布局这一领域，试图通过技术创新建立自己的护城河。然而，随着这种新方法的普及，行业竞争格局可能会发生微妙的变化。国内企业如爱尔眼科等也在积极探索类似的技术路径，但与国际领先水平相比，仍存在一定差距。未来，需要密切关注的是，这种基于解剖学上下文的方法是否能在更大规模的数据集上保持其优越性能，以及它能否在实际临床应用中得到广泛验证。
常见问题
这项研究对糖尿病视网膜病变患者有什么帮助？
这项研究通过提高黄斑分割的准确性，有助于更精准地诊断和治疗糖尿病视网膜病变，特别是糖尿病黄斑水肿。这将使医生能够更好地制定治疗方案，从而改善患者的视力预后。
这种新的黄斑分割方法什么时候能应用于临床？
目前这项技术还在研究阶段，需要进一步的大规模临床验证。如果一切顺利，预计在未来几年内可能进入临床应用。如有疑虑可咨询眼科医生。
延伸阅读
深度学习算法在糖尿病视网膜病变中的非灌注区自动量化
该研究旨在评估一种定制的深度学习算法在超广角扫频源OCT血管成像（UWF SS-OCTA）中对非灌注区（NPA）进行自动分割的性能及其在糖尿病视网膜病变（DR）严重程度评估中的应用。研究采用横断面设计，纳入180只眼，涵盖所有DR严重程度等级。研究人员开发了一种基于多尺度U-Net骨干网络并结合挤压和激励注意力机制的卷积神经网络，用于从三种扫描模式（6 × 6 mm、12 × 12 mm 和 29 × 24 mm）的全视网膜层图像中分割NPA。通过两名独立评分者和一名玻璃体视网膜专家生成的金标准标注，以及结构OCT图像来区分真实NPA与阴影伪影。结果显示，该算法在不同扫描尺寸下均表现出高精度（F1分数分别为0.82 ± 0.01、0.84 ± 0.03 和 0.83 ± 0.02），且无显著差异。Bland-Altman分析表明，人类标记和算法预测的非灌注指数（NPI）之间具有高度一致性。结论是，该深度学习算法在单次扫描UWF SS-OCTA中实现了高精度和可扩展性，支持其作为客观DR OCTA生物标志物分析工具的潜力。
深度学习框架提升糖尿病视网膜病变眼底图像分析
糖尿病视网膜病变（DR）是糖尿病患者视力损害的主要原因之一。早期检测和准确分级对于及时临床管理至关重要。然而，由于病变外观和图像质量的变异性，开发鲁棒的自动解释和分级模型仍具挑战性。本研究提出了一种基于DenseNet121骨干网络并初始化CheXNet权重的深度学习框架，集成卷积块注意力模块（CBAM）以增强特征表示，并使用梯度加权类激活映射（Grad-CAM）提供模型预测的可视化解释。该模型在APTOS 2019和DDR数据集上分别达到96.12%和96.33%的准确率，优于其他几种卷积神经网络架构。结果表明，结合CBAM可以提高DenseNet121框架内的鉴别特征学习能力。尽管模型在两个公共数据集上表现出色，但仍需进一步前瞻性评估和外部验证以确定其在实际临床环境中的适用性。
改进鲸鱼优化算法和卷积Kolmogorov-Arnold网络检测糖尿病视网膜病变严重程度
研究者提出了一种基于深度学习的方法，通过改进的鲸鱼优化算法和卷积Kolmogorov-Arnold网络来提高糖尿病视网膜病变（DR）的早期识别能力。该方法利用ShuffleNet V2模型结合视觉变换器的注意力机制提取特征，并在EyePACS数据集上进行五折交叉验证训练，在MESSIDOR-2数据集上测试，平均准确率达到93.84%。此外，该模型对计算资源需求较低，适合在资源有限的医疗机构中部署。