多尺度深度学习网络在翼状胬肉自动分割中的应用
摘要
翼状胬肉是一种需要早期识别的眼科疾病，以防止其进展导致视力损害。准确测量纤维血管组织对角膜和瞳孔区域的侵犯程度是评估病情严重程度的关键步骤。本研究通过引入多尺度深度学习网络，特别是空间金字塔池化（SPP）和空洞空间金字塔池化（ASPP）模块，有效捕捉病变特征的不同尺度。这些模块被嵌入到UNet架构的瓶颈层中，以最小化计算负担。实验结果显示，嵌入了三个并行路径EF-ASPP模块的UNet网络表现出最佳性能，Hausdorff距离仅为16.75像素。这一结果表明，通过精确提取病变图谱，可以更好地预测翼状胬肉的严重程度。
信息来源： PubMed Ophthalmology 发布于 2026年5月1日
要点速览
- 多尺度深度学习网络能有效捕捉翼状胬肉病变特征的不同尺度
- 嵌入了三个并行路径EF-ASPP模块的UNet网络表现出最佳性能
- 通过精确提取病变图谱，可以更好地预测翼状胬肉的严重程度
本站解读
这项研究揭示了多尺度深度学习网络在眼科疾病诊断中的巨大潜力，特别是在翼状胬肉的自动分割方面。传统的手动分割方法不仅耗时且易出错，而基于深度学习的技术能够显著提高诊断的准确性和效率。从技术路线变迁的角度来看，多尺度模块的应用标志着图像处理技术向更精细化、智能化方向发展。这不仅提升了病变检测的精度，还为后续治疗方案的选择提供了更为可靠的数据支持。
当前，国内外多家研究机构和企业在眼科AI领域展开激烈竞争，但真正能够实现临床应用的产品仍屈指可数。UNet架构及其变种在医学影像分析中已展现出强大的适应性，然而如何平衡计算成本与性能提升依然是一个亟待解决的问题。未来的研究可能会进一步探索更大尺寸特征图的网络架构，尽管这将不可避免地增加计算负担。对于中国眼科行业而言，这意味着本土企业需要在算法优化和硬件支持上加大投入，以保持在全球竞争中的领先地位。
常见问题
这个研究对翼状胬肉患者有什么帮助？
这项研究通过多尺度深度学习网络提高了翼状胬肉病变的自动分割精度，有助于更早、更准确地诊断病情，从而及时采取治疗措施，避免视力受损。
这种技术什么时候能在医院里用上？
目前该技术还在研究阶段，具体何时能在医院广泛应用还需等待进一步的临床验证和审批。如有疑虑可咨询眼科医生。
延伸阅读
轻量级视网膜血管分割网络LCNet：高效精准的临床辅助诊断工具
视网膜血管分割技术在计算机辅助临床诊断中至关重要。尽管深度学习技术显著提升了分割精度，但现有方法在处理细小和模糊边界时仍存在局限性，且多数主流模型依赖复杂的编码器，导致参数量大、资源需求高。为此，研究者提出了一种轻量级U形网络LCNet，通过深度可分离卷积减少参数和计算成本，并引入协同坐标注意力模块以增强特征学习。此外，LCNet还利用空洞空间金字塔池化模块捕捉多尺度特征，并通过四个侧输出层提供额外监督。实验结果显示，LCNet在DRIVE、STARE、CHASEDB1和IOSTAR四个经典数据集上分别达到了96.02%、97.95%、97.95%和97.77%的全局准确率，仅需2.65 M参数和21.2 GFLOPs。该模型在病变眼底图像和光学相干断层扫描血管成像中的表现同样出色，证明了其在视网膜血管分割中的高效性和准确性。
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。
基于Allen-Cahn能量函数的图像分割算法
该研究提出了一种基于Allen-Cahn（AC）能量函数的新型图像分割算法。通过滑动窗口技术在图像矩阵上计算局部能量特征，生成用于图像分割的能量矩阵。利用能量矩阵中的极值构建约束条件，并通过调整参数和滑动窗口大小，实现不同需求下的图像分割。研究对多种简单和复杂图像进行了实证分析，展示了该算法在不同复杂度图像分割中的有效性及在农业和医学领域的出色表现。与现有先进方法相比，该算法在节省时间方面具有显著优势。为了进一步优化参数选择过程，研究人员改进了算法，使其能够自主输出最优分割结果所需的参数。实验结果显示，在CO-SKEL数据集上的平均分割时间为0.2秒，准确率超过95%，精度、召回率和F1分数均超过90%。即使在各种噪声干扰下，算法的分割准确率仍保持在94%以上，突显其高效性和鲁棒性。