先进的深度学习技术增强脉络膜血管可视化

　　

北京大学的研究人员开发了一种新颖的无创脉络膜血管造影方法，可以使用深度学习对脉络膜血管进行分层可视化和评估。这种新方法发表在《Health Data Science》杂志上，它采用了一种先进的分割模型，可以处理不同质量的光学相干断层扫描（OCT） B扫描，使其成为诊断视网膜疾病的临床应用的有前途的工具。

脉络膜光学相干断层血管造影（C-OCTA）在脉络膜血管分析方面提供了重大改进，脉络膜血管是研究视网膜疾病（如年龄相关性黄斑变性和中枢性浆液性脉络膜视网膜病变）的关键组成部分。传统的方法，如吲哚菁绿血管造影（ICGA），是侵入性的，不能提供详细脉络膜分析所需的体积信息。北京大学生物医学工程系博士生朱磊和北京大学医学部医学技术研究所副教授吕彦业提出的新方法，利用深度学习框架，从OCT B扫描中无创地捕获三维脉络膜血管信息。

北京大学生物医学工程系博士生Lei Zhu说：“我们的方法采用分割模型从OCT B扫描中提取脉络膜血管，该方法对高质量扫描进行了训练，但对临床环境中经常收集的低质量扫描也有效。这样可以更准确地重建脉络膜结构。这为更好地分析各种视网膜疾病的脉络膜指数铺平了道路。”

该框架将该任务视为跨域分割挑战。它采用集合判别平均教师结构来降低噪声，提高高质量和低质量B扫描之间的适应性。在广泛的数据集上对该方法进行了测试，对脉络膜血管分割的dice得分为77.28，证明了该方法在重建脉络膜血管分布方面的有效性。

通过这个框架，研究小组证明，与健康个体相比，中枢性浆液性脉络膜视网膜病变患者的血管指数显著降低，特别是在中央黄斑中央凹以外的区域（P < 0.05）。本研究强调了该方法在脉络膜疾病的无创临床分析和诊断方面的潜力。

展望未来，研究小组的目标是将该方法应用于进一步分析更广泛的视网膜疾病的脉络膜指数，从而有可能促进更准确的临床应用并改善患者预后。Lu补充说：“我们的目标是继续完善该模型，以用于更广泛的临床应用，为脉络膜血管分析提供更有效、侵入性更小的替代方法。”