编辑推荐：
当前基于深度学习（DL）的视网膜层分割（RLS）研究因过度依赖结构信息而陷入瓶颈。为此，研究人员开展多光谱信息（MSI）对 RLS 影响的研究。结果显示，MSI 可显著提升分割精度。该研究为眼科疾病诊断提供新方向。
在眼科领域，眼睛被视作心灵的窗户，人类超 80% 的外界信息通过视觉获取，眼部健康至关重要。随着科技发展，人们用眼过度，眼部疾病患病率不断攀升，且人口老龄化加剧了这一趋势。许多致盲性眼底疾病早期，视网膜结构会发生变化，如视网膜层厚度改变。准确检测这些变化，对预防和治疗疾病意义重大。
光学相干断层扫描（OCT）是一种用于视网膜层横截面可视化的无创成像技术，自 1990 年问世以来，已成为诊断多种眼科疾病的金标准。近年来，基于深度学习（DL）的视网膜层分割（RLS）研究备受关注。然而，这类研究大多仅依赖 OCT 图像的结构信息，忽略了光谱信息，导致整体分割精度提升逐渐受限，研究进入瓶颈期。
为打破这一困境，山东大学的研究人员开展了关于多光谱信息（MSI）对 RLS 影响的研究。他们旨在探究 MSI 能否增强 RLS 的精度，若能，进一步探索影响 MSI 的主要因素，并将 MSI 应用于通用 RLS 方法。
研究人员用到的关键技术方法主要有：一是利用 FFT 变换和卷积操作获取多光谱图像，从原始光谱中得到不同中心波长的子带光谱，进而获取包含多种光谱信息的 OCT 图像；二是采用多种深度学习模型，如 Enet、ReLayNet 等，对多光谱和单光谱图像进行视网膜层分割实验；三是通过 5 折交叉验证评估模型性能，采用 Adam 优化器和交叉熵损失函数进行训练。
研究结果如下：
- MSI 可提高 RLS 精度：在等带宽但不同中心波长的光谱图像中，任何不同中心波长图像的组合，相比单一光谱图像，都能提高 RLS 的分割精度。在多光谱组合下，四种常用 RLS 方法（Enet、ReLayNet、TransUnet 和 AttU_net）的分割精度在多个指标上均高于单光谱情况。
- 探索影响 MSI 的主要因素
- 光谱数量：在可见光多光谱（VMS）数据集和近红外多光谱（NIMS）数据集中，随着光谱图像数量增加，MSI 对 RLS 精度的提升趋势最初增强，然后趋于稳定或下降。在 VMS 数据集中，依次添加不同中心波长的光谱图像，分割精度逐步提高；在 NIMS 数据集中也有类似趋势，但最终精度有所下降。
- 光谱带宽：在一定光谱带宽范围内，存在最佳带宽，使 MSI 对 RLS 的影响最大。在 VMS 数据集中，光谱带宽为 0.15 倍时提升效果最明显；在 NIMS 数据集中，光谱带宽为 0.05 倍时提升效果最佳。
- 光谱组合：不同的 MSI 组合对 RLS 精度的影响各异。在 VMS 数据集中，No.1&4&7 等组合提升效果显著；在 NIMS 数据集中，No.3&5&7 等组合提升效果突出。
- MSI 在通用 RLS 方法中的应用：将 MSI 应用于多种通用 RLS 方法（如 ReLayNet、EMV-Net 等），在不同光谱范围的数据集上都能显著提高分割精度，证明了 MSI 的通用性。但同时发现，MSI 虽能提升精度，但无法弥补通用 RLS 方法的结构缺陷，且目前对光谱信息的提取和利用还有提升空间。
研究结论和讨论部分指出，该研究首次发现 MSI 对 RLS 精度有增强作用，明确了带宽、数量和光谱组合是影响 MSI 的主要因素，且 MSI 在不同光谱范围的通用 RLS 方法中具有普遍适用性。这一成果为 RLS 研究开辟了新方向，有望提高多种早期眼科疾病的诊断准确性，让那些早期未治疗易致盲的视网膜疾病得到有效控制。同时，也为 OCT 设备制造商提供了新思路，促使他们重视并开源 MSI。不过，研究仍存在一些待探索的问题，如不同光谱组合影响 RLS 精度的内在模式、如何更精准地量化光谱差异对 RLS 精度的贡献等。未来，研究人员将基于现有成果，进一步探索基于 MSI 的眼底疾病病变区域精准分割和常见眼科疾病分类研究，推动整个 OCT 领域的变革与发展 。
