面向脈絡(luò)膜分割的深度學(xué)習(xí)算法綜述

摘要：脈絡(luò)膜是人眼球中的一層重要組織，準(zhǔn)確測量和分割脈絡(luò)膜，對于預(yù)防、診斷以及預(yù)測視網(wǎng)膜疾病具有重大的醫(yī)學(xué)意義。文章對光學(xué)相干斷層掃描（Optical Coherence Tomography，OCT）技術(shù)在脈絡(luò)膜分割中的應(yīng)用進(jìn)行評估，并對近年來提出的結(jié)合OCT和深度學(xué)習(xí)技術(shù)的脈絡(luò)膜分割方法進(jìn)行歸納和總結(jié)。研究結(jié)果顯示：與傳統(tǒng)算法相比，帶有特征提取或者特征融合模塊的U形網(wǎng)絡(luò)架構(gòu)有著更好的魯棒性與泛化性。在實(shí)際應(yīng)用中，該架構(gòu)能有效解決OCT圖像中脈絡(luò)膜分割面臨的邊界模糊和斑點(diǎn)噪聲等問題，已成為脈絡(luò)膜分割算法中的主流模型。在眼科成像領(lǐng)域中，這些算法不僅提高了脈絡(luò)膜分割的效率和準(zhǔn)確性，而且還減輕了醫(yī)生手工分割的工作負(fù)擔(dān)，有助于提升視網(wǎng)膜疾病的診斷和治療的水平。

關(guān)鍵詞：脈絡(luò)膜分割;脈絡(luò)膜厚度;OCT;深度學(xué)習(xí)

中圖分類號：TP312 文獻(xiàn)標(biāo)志碼：A

0 引言（Introduction）

脈絡(luò)膜是一層柔軟光滑、血管豐富的棕色薄膜組織，其主要功能是為眼球輸送血液提供營養(yǎng)。在眼科醫(yī)療診斷領(lǐng)域，脈絡(luò)膜厚度被視為一種重要的生物標(biāo)志物，對于檢測和預(yù)防老年性黃斑變性（Age-related Macular Degeneration，AMD）、視網(wǎng)膜色素變性（Retinitis Pigmentosa，RP）、青光眼等多種視網(wǎng)膜疾病具有重要意義[1]。OCT是一種非侵入性技術(shù)，主要用于人類眼底視網(wǎng)膜和脈絡(luò)膜的成像，與傳統(tǒng)的成像方法相比，OCT有著成像快、分辨率高、實(shí)時(shí)性強(qiáng)且無創(chuàng)成像等優(yōu)點(diǎn)[2]。然而，目前的OCT還沒有開發(fā)出專門針對脈絡(luò)膜自動分割的軟件，大多數(shù)眼科醫(yī)生都只能手動測量和劃分脈絡(luò)膜邊界。人工分割方式不僅耗時(shí)長、費(fèi)力、受主觀因素影響較大、效率低下，而且還易產(chǎn)生人為偏差，給醫(yī)生關(guān)于脈絡(luò)膜疾病的診療帶來了諸多困擾[3]。

近年來，隨著人工智能技術(shù)的迅猛發(fā)展、計(jì)算能力的顯著提高及大量數(shù)據(jù)的積累，深度學(xué)習(xí)技術(shù)取得了長足的進(jìn)步，這也為醫(yī)療圖像成像的研究帶來了前所未有的契機(jī)。LITJENS 等[4]總結(jié)了相關(guān)深度學(xué)習(xí)算法，尤其是卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）在視網(wǎng)膜、心臟、神經(jīng)等醫(yī)學(xué)成像領(lǐng)域的優(yōu)勢。SHEN等[5]提出了圖像計(jì)算機(jī)輔助分析方法，在醫(yī)學(xué)圖像配對、組織分割、疾病預(yù)測等領(lǐng)域展現(xiàn)出廣闊的應(yīng)用前景。目前，越來越多的研究開始采用深度學(xué)習(xí)算法實(shí)現(xiàn)脈絡(luò)膜的分割與可視化[6-8]。本文首先探討了脈絡(luò)膜厚度作為病理性指標(biāo)與相關(guān)視網(wǎng)膜疾病之間的密切關(guān)系，其次回顧了OCT成像技術(shù)在脈絡(luò)膜成像中的廣泛應(yīng)用，最后對當(dāng)前的脈絡(luò)膜自動分割算法進(jìn)行了綜述，并著重介紹以U-Net為基本模型的改進(jìn)算法。

1 脈絡(luò)膜的形態(tài)變化引起的相關(guān)病癥（Related disorders caused by morphological changes in the choroid）

脈絡(luò)膜厚度與視網(wǎng)膜健康密切相關(guān)，其變化會導(dǎo)致多種眼部疾病的發(fā)生。以下是脈絡(luò)膜厚度變化可能引發(fā)的病癥。

年齡相關(guān)性黃斑變性：老年性黃斑變性（AMD）是一種多發(fā)于中老年人群的、具有慢性和持續(xù)性特點(diǎn)的視網(wǎng)膜疾病。在AMD的不同階段和分類中，脈絡(luò)膜厚度會發(fā)生特征性變化，患者的脈絡(luò)膜會明顯變薄，因此監(jiān)測這一指標(biāo)可以幫助醫(yī)生更準(zhǔn)確地評估AMD疾病的進(jìn)展程度[9]。

高度近視：隨著近視度數(shù)的不斷增加，近視患者的視網(wǎng)膜淺層和深層的血流量會大幅減少，進(jìn)而導(dǎo)致眼球結(jié)構(gòu)發(fā)生變化，包括視網(wǎng)膜和脈絡(luò)膜的拉伸、變薄和彎曲。因此，脈絡(luò)膜厚度可以作為近視眼預(yù)測、近視發(fā)展監(jiān)測[10]以及高度近視相關(guān)并發(fā)癥預(yù)防的一個重要指標(biāo)。

視網(wǎng)膜色素變性：視網(wǎng)膜色素變性（RP）主要表現(xiàn)為視網(wǎng)膜色素上皮細(xì)胞的退行性改變，從而引起中心視力下降和色覺異常。羅英子[11]通過對照實(shí)驗(yàn)提出RP組黃斑中心脈絡(luò)膜厚度與黃斑脈絡(luò)膜血管密度之間存在明顯的正相關(guān)性，這提示脈絡(luò)膜的厚度變化可能與RP的發(fā)病機(jī)理或病程進(jìn)展有關(guān)。

糖尿病視網(wǎng)膜病變：糖尿病視網(wǎng)膜病變（Diabetic Retinopathy，DR）是糖尿病患者常見的并發(fā)癥之一。徐芳等[12]提出糖尿病黃斑水腫患者的黃斑中心凹下脈絡(luò)膜厚度會隨著黃斑中心視網(wǎng)膜厚度的增加而逐漸減小。董秀清[13]研究發(fā)現(xiàn)，糖尿病患者的血糖狀況也會影響脈絡(luò)膜的形態(tài)變化。

青光眼：青光眼是一組以特征性視神經(jīng)萎縮和視野缺損為共同特征表現(xiàn)的眼科疾病，其發(fā)病的原發(fā)性因素主要是眼內(nèi)壓增高，導(dǎo)致視神經(jīng)損傷。有研究表明，與正常眼球相比，青光眼患者的眼球脈絡(luò)膜厚度明顯更厚。古麗皮亞·肖吾開提[14]通過一系列對照實(shí)驗(yàn)得出結(jié)論，脈絡(luò)膜增厚可能是導(dǎo)致原發(fā)性閉角型青光眼疾病發(fā)生的誘因之一。

中央漿液性脈絡(luò)膜視網(wǎng)膜病變：中央漿液性脈絡(luò)膜視網(wǎng)膜病變（Central Serous Chorioretinopathy，CSC）是一種表現(xiàn)特征為視網(wǎng)膜神經(jīng)上皮層漿液性脫離的視網(wǎng)膜疾病。毛盼等[15]提出，患者同側(cè)眼和患側(cè)眼的脈絡(luò)膜增厚，這表明即使在未出現(xiàn)視網(wǎng)膜下積液的眼睛中，雙側(cè)脈絡(luò)膜的血流密度也會增高且患眼的脈絡(luò)膜厚度明顯增厚。

2 OCT在脈絡(luò)膜成像中的應(yīng)用（Application of OC Tinchoroidal imaging）

OCT于1991年由麻省理工的HUANG等首次提出，是一種利用光的干涉現(xiàn)象成像的斷層掃描技術(shù)[16]，可以觀察視網(wǎng)膜的形態(tài)，測量視網(wǎng)膜的厚度和容積，進(jìn)行視乳頭與神經(jīng)纖維層成像，并進(jìn)行黃斑區(qū)神經(jīng)節(jié)細(xì)胞繪圖。隨著科技的進(jìn)步，OCT技術(shù)發(fā)展迅速。2002—2003年，時(shí)域OCT（TD-OCT）應(yīng)運(yùn)而生，它通過使用移動參考鏡來測量光的反射時(shí)間，提高了生成圖像的成像深度和分辨率。然而，參考鏡的機(jī)械運(yùn)動會導(dǎo)致圖像質(zhì)量降低，并延長圖片生成處理的總時(shí)間[17]。為了攻克TD-OCT的技術(shù)缺陷，2006年有研究者推出了光譜域OCT（SD-OCT），它采用低相干干涉儀和高速光譜儀，通過測量干涉光譜同時(shí)檢測光的回波，摒棄了TD-OCT的移動部件。與TDOCT相比，SD-OCT在圖像質(zhì)量、體積掃描密度及圖像分辨率方面均有所提高。由于透鏡本身會對光線的傳播造成衰減和散射，所以會影響TD-OCT和SD-OCT對脈絡(luò)膜-鞏膜界面成像的清晰度，導(dǎo)致脈絡(luò)膜細(xì)節(jié)處的成像模糊、分辨率低。2008年有研究者開發(fā)的增強(qiáng)深度成像（EDI-OCT）有效解決了這一問題。EDI-OCT通過移動零刻度線的位置，使其向脈絡(luò)膜方向偏移，首次測量出脈絡(luò)膜在縱向時(shí)的深度，從而能完整勾勒脈絡(luò)膜結(jié)構(gòu)的細(xì)節(jié)[18]。EDI-OCT是在傳統(tǒng)頻域OCT基礎(chǔ)上改進(jìn)的技術(shù)，能夠完整造影出脈絡(luò)膜的組織結(jié)構(gòu)，可以定量測量脈絡(luò)膜厚度，是目前使用廣泛、效果顯著的醫(yī)學(xué)眼科成像技術(shù)[19]。

如今，EDI-OCT已廣泛應(yīng)用于脈絡(luò)膜厚度的測量。在傳統(tǒng)的自動或半自動OCT圖像脈絡(luò)膜分割方法中，大多數(shù)方法都是基于圖搜索或圖紋理算法。ALONSO-CANEIRO 等[20]提出了一種以圖搜索技術(shù)為核心的分割方法，該方法使用邊緣濾波器和方向加權(quán)圖像來檢測脈絡(luò)膜的上邊界，并通過圖像增強(qiáng)技術(shù)及雙亮度概率梯度來描繪脈絡(luò)膜的下邊界。TIAN 等[21]提出了一種基于圖像動態(tài)處理的方法來檢測分割脈絡(luò)膜，該算法首先通過圖形的動態(tài)編程方法檢測脈絡(luò)膜的上邊界，其次尋找RPE以上梯度的最大值來檢測脈絡(luò)膜的下邊界。MAZZAFERRI等[22]基于圖論提出了一種新的算法，該算法能自動生成視網(wǎng)膜組織的二維厚度圖，并分割出脈絡(luò)膜的后方和前方的分界面。然而，上述方法的參數(shù)依賴人工設(shè)置，導(dǎo)致訓(xùn)練效率低下，分割精度也不理想，特別是對于圖像中復(fù)雜的紋理結(jié)構(gòu)與細(xì)節(jié)難以捕捉，導(dǎo)致脈絡(luò)膜下邊界存在邊界模糊等問題。對于醫(yī)學(xué)圖像中的偽影、偽像等圖像噪聲，基于圖搜索或圖紋理的算法可能會出現(xiàn)分割結(jié)果錯誤或不穩(wěn)定的情況。

3 脈絡(luò)膜分割中常用的深度學(xué)習(xí)模型（Commonlyused deep learning models in choroidal segmentation）

近年來，深度學(xué)習(xí)算法與OCT技術(shù)的結(jié)合越來越緊密，被廣泛應(yīng)用于臨床診斷。采用OCT成像技術(shù)能夠獲取眼球各組織層的高分辨率圖像，而卷積神經(jīng)網(wǎng)絡(luò)等圖像處理技術(shù)則通過學(xué)習(xí)這些圖像的內(nèi)在規(guī)律與聯(lián)系，輔助醫(yī)生更準(zhǔn)確地識別和分割醫(yī)學(xué)圖像中的病灶[23]。

3.1卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

神經(jīng)網(wǎng)絡(luò)是一種模擬人腦神經(jīng)元之間相互連接的計(jì)算模型，它由大量基本處理單元（神經(jīng)元）組成，通過這些神經(jīng)元之間的連接進(jìn)行信息的傳遞和處理，從而實(shí)現(xiàn)對輸入數(shù)據(jù)的學(xué)習(xí)和預(yù)測[24]。CNN是一類包含卷積計(jì)算且具有深度結(jié)構(gòu)的前饋神經(jīng)網(wǎng)絡(luò)，其不僅繼承了傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的自適應(yīng)學(xué)習(xí)能力，而且還具備局部感知、權(quán)值共享等特點(diǎn)，被廣泛應(yīng)用于計(jì)算機(jī)視覺與醫(yī)學(xué)成像領(lǐng)域中。SUI等[25]提出了一種多尺度、端到端的CNN架構(gòu)，通過數(shù)據(jù)驅(qū)動的方式直接從原始像素點(diǎn)中學(xué)習(xí)最優(yōu)圖邊權(quán)重，并與先進(jìn)的圖搜索技術(shù)相融合，消除了基于圖形邊緣權(quán)重的人工模型邊界薄弱、脈絡(luò)膜紋理結(jié)構(gòu)異質(zhì)及脈絡(luò)膜變化所帶來的性能限制。HE等[26]提出了一種基于CNN 分類器和l2-lq（0lt;qlt;1）擬合器的自動分割方法，該方法能夠有效識別并分割脈絡(luò)膜的邊界，從脈絡(luò)膜圖像中生成脈絡(luò)膜厚度輪廓，用于檢測脈絡(luò)膜區(qū)域。GEORGE等[27]以圖像區(qū)域輪廓為基礎(chǔ)，提出了一種多級輪廓演化方法，該方法更加高效、簡潔，分割出的脈絡(luò)膜厚度輪廓與人工獲得的脈絡(luò)膜厚度輪廓相比在準(zhǔn)確性和一致性方面表現(xiàn)良好。然而，上述方法都依賴于大量的訓(xùn)練數(shù)據(jù)，計(jì)算成本更高，并且在處理特定情況如病態(tài)脈絡(luò)膜時(shí)分割精度不夠，對圖像中的具體細(xì)節(jié)與紋理特征的提取能力有待加強(qiáng)，因此在脈絡(luò)膜的分割中存在一定局限性。

3.2 編碼-解碼（U-Net）網(wǎng)絡(luò)結(jié)構(gòu)

2015年，RONNEBERGER等[28]在第十八屆“醫(yī)學(xué)圖像計(jì)算與計(jì)算機(jī)輔助干預(yù)”會議上提出的U-Net網(wǎng)絡(luò)，標(biāo)志著深度學(xué)習(xí)在醫(yī)學(xué)影像分割領(lǐng)域中取得重大突破。U-Net網(wǎng)絡(luò)結(jié)構(gòu)由編碼器模塊、瓶頸模塊及解碼器模塊3個部分組成，其中編碼器模塊和解碼器模塊之間通過跳線實(shí)現(xiàn)連接，深層和淺層的語義特征通過跳線進(jìn)行特征融合，這些使網(wǎng)絡(luò)具有了強(qiáng)大的分割性能。在U-Net的基礎(chǔ)網(wǎng)絡(luò)結(jié)構(gòu)上，將注意力機(jī)制、稠密模塊、特征增強(qiáng)、評價(jià)函數(shù)等深度神經(jīng)網(wǎng)絡(luò)領(lǐng)域的最新技術(shù)引入醫(yī)學(xué)影像分割應(yīng)用中，成為被廣泛采取的改進(jìn)方法[29]。

ZHANG等[30]提出了一種脈絡(luò)膜自動分割的生物網(wǎng)絡(luò)（Bio-Net），將深度學(xué)習(xí)網(wǎng)絡(luò)與OCT成像知識相結(jié)合，并采用了GAN架構(gòu)，用于消除視網(wǎng)膜血管陰影帶來的影響。實(shí)驗(yàn)結(jié)果表明，Bio-Net與傳統(tǒng)網(wǎng)絡(luò)架構(gòu)相比，在陰影消除和形態(tài)保持方面表現(xiàn)出顯著的優(yōu)勢，大幅減少了傳統(tǒng)方法存在的分割不足、精度低的問題。CHAI等[31]提出了一種用于脈絡(luò)膜分割的感知輔助對抗自適應(yīng)方法（Perception Assisted Adversarial Adaptation，PAAA）。該方法首先利用基于U-Net架構(gòu)的分割網(wǎng)絡(luò)對輸入圖像進(jìn)行預(yù)測，其次通過計(jì)算分割損失并輸入PAAA模塊來處理輸入圖像與標(biāo)簽之間的形狀和邊緣的細(xì)節(jié)差異，從而實(shí)現(xiàn)對不同脈絡(luò)膜樣本的精細(xì)分割。YAN等[32]提出了一種上下文高效自適應(yīng)網(wǎng)絡(luò)（Context Enhanced Adaptive" Network，CEA-Net）的框架，旨在解決脈絡(luò)膜和鞏膜邊界定位模糊、脈絡(luò)膜層紋理和強(qiáng)度不一致等問題。WU 等[33]通過在主干網(wǎng)絡(luò)結(jié)構(gòu)中添加一個邊界增強(qiáng)模塊，使主干網(wǎng)絡(luò)能夠更多地聚焦于邊界特征的提取。除此之外，該方法還引用了真實(shí)標(biāo)簽數(shù)據(jù)的邊界信息并生成軟點(diǎn)圖，然后引入邊界感知損失，從而將邊界區(qū)域信息反饋到該分割網(wǎng)絡(luò)，實(shí)現(xiàn)對脈絡(luò)膜層的精確分割。

CHAI等[34]提出了一種記憶輔助雙端自適應(yīng)網(wǎng)絡(luò)，旨在改進(jìn)脈絡(luò)膜分割領(lǐng)域中網(wǎng)絡(luò)框架的一對多適配難題，通過縮小不同數(shù)據(jù)集上的網(wǎng)絡(luò)框架間的分割差異，提高了模型的泛化能力。SHI等[35]提出了一種分組上下文選擇網(wǎng)絡(luò)（Grouped" Context Selection Network，GCS-Net）。該網(wǎng)絡(luò)在U形網(wǎng)絡(luò)的基礎(chǔ)上，通過添加通道擴(kuò)張模塊和空間擴(kuò)張模塊，有效地增強(qiáng)了網(wǎng)絡(luò)的感受野，并提升了分割目標(biāo)區(qū)域的精確性和一致性，從而使網(wǎng)絡(luò)在分割厚脈絡(luò)膜和薄脈絡(luò)膜區(qū)域時(shí)都能發(fā)揮更好的作用。ZHU等[36]提出了一種脈絡(luò)膜U 形網(wǎng)絡(luò)（Choroidal U-shape Network，CU-Net）的多任務(wù)分割網(wǎng)絡(luò)，該網(wǎng)絡(luò)可以同時(shí)實(shí)現(xiàn)脈絡(luò)膜層及其血管的分割。

LIU等[37]基于課程學(xué)習(xí)開發(fā)了一個全自動的脈絡(luò)膜自動分割網(wǎng)絡(luò)。該網(wǎng)絡(luò)能計(jì)算出平均脈絡(luò)膜厚度和脈絡(luò)膜血管指數(shù)，并能在有病變樣本干擾的情況下，實(shí)現(xiàn)對脈絡(luò)膜及其邊界的準(zhǔn)確分割。XU等[38]提出一種結(jié)合圖像增強(qiáng)和基于注意力機(jī)制的ADU-Net網(wǎng)絡(luò)，旨在解決糖尿病視網(wǎng)膜病變和高度近視等病態(tài)眼球所帶來的脈絡(luò)膜層邊界模糊問題。在骨干網(wǎng)絡(luò)為U-Net的情況下，許祥叢等[39]還提出了另一種名為壓縮-激勵-連接U形網(wǎng)絡(luò)（Squeeze-Excitation-ConnectionU-Net，SECUNet），通過添加壓縮-激勵-連接（Squeeze-Excitation-Connection，SEC）模塊，提升了主干網(wǎng)絡(luò)對細(xì)節(jié)特征的提取和關(guān)注能力，尤其是對病態(tài)樣本的分割處理能力。相關(guān)算法的提出者、算法名稱、數(shù)據(jù)集、結(jié)果以及與基準(zhǔn)模型相比較的結(jié)果如表1所示。

如表1所示，上述方法旨在通過結(jié)合深度學(xué)習(xí)網(wǎng)絡(luò)和OCT成像技術(shù)，以有效解決脈絡(luò)膜層分割中存在的問題，如圖像陰影消除、形態(tài)保持、邊界模糊、多類型樣本等。這些網(wǎng)絡(luò)架構(gòu)采用編碼-解碼結(jié)構(gòu)作為網(wǎng)絡(luò)主體，每個小模塊中包含多個卷積塊，在此基礎(chǔ)上進(jìn)行衍生與拓展。有的網(wǎng)絡(luò)通過添加特征提取模塊，使網(wǎng)絡(luò)專注于提取某些重要特征，加強(qiáng)網(wǎng)絡(luò)對圖像的分割能力;有的添加了特征融合模塊，使網(wǎng)絡(luò)實(shí)現(xiàn)了對上下文或者多模態(tài)的特征融合，保證了分割的精確性;有的網(wǎng)絡(luò)對編碼-解碼結(jié)構(gòu)進(jìn)行了改進(jìn)，通過融合不同的網(wǎng)絡(luò)結(jié)構(gòu)，使得網(wǎng)絡(luò)能同時(shí)處理不同的任務(wù)，增強(qiáng)了網(wǎng)絡(luò)的功能性和魯棒性。U 形網(wǎng)絡(luò)的出現(xiàn)，使得脈絡(luò)膜分割的研究逐漸轉(zhuǎn)向脈絡(luò)膜層結(jié)構(gòu)的特征提取、脈絡(luò)膜層細(xì)節(jié)紋理的處理以及脈絡(luò)膜邊界與鞏膜邊界的準(zhǔn)確定位，而不再局限于單純的提高分割效率和優(yōu)化模型上。這些方法在不同方面、不同尺度上展現(xiàn)了其優(yōu)勢，不僅提高了脈絡(luò)膜層分割的精確度和泛化能力，而且還能準(zhǔn)確提取脈絡(luò)膜層的結(jié)構(gòu)特征和邊界信息，以更好地應(yīng)用于脈絡(luò)膜圖像診斷和疾病分析中。以U形網(wǎng)絡(luò)架構(gòu)為基礎(chǔ)的網(wǎng)絡(luò)模型在脈絡(luò)膜層圖像分割中也成為應(yīng)用廣泛且效果顯著的模型。

3.3 評價(jià)指標(biāo)

評價(jià)指標(biāo)是用來衡量模型性能和評估模型效果的一種度量方法，在醫(yī)學(xué)眼科成像領(lǐng)域，常用的評價(jià)指標(biāo)有準(zhǔn)確率（Accuracy，ACC）、Dice、IOU（Intersection over Union，IoU）等。混淆矩陣（Confusion Matrix）是一種評估模型分類效果的實(shí)用工具，以表格的形式展示了模型的預(yù)測結(jié)果與真實(shí)結(jié)果之間的對應(yīng)關(guān)系。在對最終模型進(jìn)行測試時(shí)，許多評價(jià)指標(biāo)都可以通過計(jì)算混淆矩陣中的某些參數(shù)，直接得出結(jié)果。常見的用混淆矩陣計(jì)算的評價(jià)指標(biāo)有精確率（Precision，P）、召回率（Recall，R）、ACC等，其計(jì)算公式如下：

在混淆矩陣中，TP 表示真陽性（True Positive），即預(yù)測為正類且真實(shí)為正類的樣本數(shù);FP 表示假陽性（False Positive），即預(yù)測為正類但真實(shí)為負(fù)類的樣本數(shù);FN 表示假陰性（False Negative），即預(yù)測為負(fù)類但真實(shí)為正類的樣本數(shù);TN 表示真陰性（True Negative），即預(yù)測為負(fù)類且真實(shí)為負(fù)類的樣本數(shù)。相比于直接通過模型輸出與標(biāo)簽計(jì)算評價(jià)指標(biāo)，利用混淆矩陣中的參數(shù)計(jì)算不僅能簡化計(jì)算步驟，而且還能準(zhǔn)確掌握模型輸出與輸入之間的數(shù)據(jù)分布，更有助于接下來的數(shù)據(jù)分析和參數(shù)調(diào)試。上述指標(biāo)的取值范圍為0～1，越接近1，表示預(yù)測結(jié)果與真實(shí)樣本之間相識度越高，模型預(yù)測結(jié)果就越準(zhǔn)確。

4 結(jié)論（Conclusion）

在上述深度學(xué)習(xí)模型算法中，從最初的卷積神經(jīng)網(wǎng)絡(luò)（主要是CNN及其相關(guān)改進(jìn)版本）、全卷積網(wǎng)絡(luò)（主要是FCN、Res-Net等），到后面的編碼-解碼網(wǎng)絡(luò)模型（主要是U-Net及其相關(guān)改進(jìn)版本），脈絡(luò)膜自動分割算法也在學(xué)者的不斷探索與開拓中逐漸走向完善和穩(wěn)定。計(jì)算機(jī)視覺領(lǐng)域的技術(shù)進(jìn)步，尤其是在圖像處理技術(shù)方面的突破性進(jìn)展，為OCT成像的自動分割技術(shù)帶來了深遠(yuǎn)的影響，并極大地推動了眼科醫(yī)學(xué)成像的發(fā)展與進(jìn)步。

在深度學(xué)習(xí)圖像技術(shù)領(lǐng)域，仍然存在許多技術(shù)難題和實(shí)際問題亟待解決。其中，公開數(shù)據(jù)集的匱乏，一直是模型訓(xùn)練需要面臨的一大難題。在深度學(xué)習(xí)中，需要有大量的輸入樣本來優(yōu)化訓(xùn)練并減少過度擬合，從而提高模型的泛化性。不同廠商生產(chǎn)的OCT設(shè)備，在應(yīng)用端生成的圖像并不通用，這給模型的訓(xùn)練調(diào)試帶來了困難。通常，不同數(shù)據(jù)集在不同模型上獲得的效果不一樣。盡管目前有學(xué)者提出了相應(yīng)的改進(jìn)模型，增加了模型的泛化能力，并提高了模型在不同數(shù)據(jù)集上的兼容性，但是在實(shí)際應(yīng)用端，所面臨的數(shù)據(jù)集會更加復(fù)雜且多樣。

上述文獻(xiàn)中采用的大多數(shù)算法都是基于有監(jiān)督學(xué)習(xí)方式進(jìn)行訓(xùn)練的，有監(jiān)督學(xué)習(xí)的關(guān)鍵就是需要一個帶有標(biāo)簽數(shù)據(jù)的數(shù)據(jù)集，只有通過這種方式，模型才能通過輸出結(jié)果與真實(shí)結(jié)果（標(biāo)簽數(shù)據(jù)）之間的差異來更新網(wǎng)絡(luò)權(quán)重參數(shù)，進(jìn)而調(diào)整并優(yōu)化模型效果。人工劃分脈絡(luò)膜邊界不僅需要專業(yè)醫(yī)生參與，而且受設(shè)備儀器、病人病情、醫(yī)院環(huán)境等多種因素的影響，所劃分的脈絡(luò)膜邊界往往存在差異。此外，模型分割方法還受到圖片斑點(diǎn)噪聲的影響，因此減少圖像的斑點(diǎn)噪聲和開發(fā)圖像去噪技術(shù)，有助于改善脈絡(luò)膜自動分割算法的性能。相關(guān)文章提出了一些降噪算法，主要是通過GAN網(wǎng)絡(luò)或者其改進(jìn)模型，在數(shù)據(jù)進(jìn)入分割模型訓(xùn)練時(shí)先對數(shù)據(jù)進(jìn)行降噪預(yù)處理，這種方式雖然能降低圖像斑點(diǎn)噪聲帶來的干擾，但是模型的體積、訓(xùn)練時(shí)間都會大幅增加，所需的計(jì)算能力會大大提高訓(xùn)練模型和實(shí)際應(yīng)用所需的經(jīng)濟(jì)成本也會增加。因此，一種輕量級的能同時(shí)兼顧分割與降噪的脈絡(luò)膜自動分割算法有待學(xué)者們提出和改進(jìn)。除此之外，OCT技術(shù)在三維體積分割測量、病態(tài)脈絡(luò)膜層分割測量等方面也面臨挑戰(zhàn)。相信在不久的將來，學(xué)者們通過科技創(chuàng)新和研究探索，能夠開發(fā)出完整且實(shí)用、高效的算法并將之廣泛應(yīng)用于醫(yī)療設(shè)備中，以提升醫(yī)生的診療手段和治療效果。

作者簡介：

范興鴻（2000-），男（漢族），遵義，碩士生。研究領(lǐng)域：醫(yī)學(xué)圖像處理。

陳湘萍（1977-），女（漢族），貴陽，教授，博士。研究領(lǐng)域：人工智能，可再生能源系統(tǒng)優(yōu)化與控制。

刁昕龍（2000-），男（漢族），貴陽，碩士生。研究領(lǐng)域：醫(yī)學(xué)圖像處理。