在人眼中脉络膜是一种血管极为密集的组织结构，为外层视网膜和视网膜色素上皮(RPE)提供了大部分氧气和其他营养物质。它同时是体内血流量最高的组织之一，在许多脉络膜视网膜疾病的病理生理学中起着关键作用。在临床诊疗中，脉络膜结构的判断依赖于光学相干断层扫描(OCT)。 脉络膜常用分析中常用指标包括包括脉络膜血管指数（CVI）、脉络膜血管密度（CVD）、脉络膜厚度（CT）、脉络膜体积（CV）。这些指标的计算需要同时依赖于脉络膜层边界以及脉络膜血管等脉络膜结构的分割结果。然而脉络膜处于眼底的较深位置，且血管极为密集，这造成了脉络膜结构分割任务较为困难（如下图所示）。
因此，为得到更准确的脉络膜层及脉络膜血管分割结果，MILab提出一种OCT脉络膜结构分割方法，相关研究论文《Synergistically segmenting choroidal layer and vessel using deep learning for choroid structure analysis》于近期发表在国际学术期刊Physics in Medicine and Biology。该方法采用多任务学习策略设计脉络膜结构分割模型，使其可以更好的考虑两任务的相关性及相斥性。具体来看，脉络膜层分割任务希望将脉络膜结构与视网膜和背景分离，因此不需要考虑脉络膜自身的内部结构。与之相反，脉络膜血管分割需要更多考虑脉络膜内部结构，从而辨别出脉络膜血管与基质。虽然这两个任务的目标较为冲突，但二者仍具有很强的相关性，例如脉络膜血管一定在脉络膜上下边界之间，脉络膜下边界位于大血管下部，脉络膜毛细血管通常位于脉络膜上边界附近。为了更好的考虑引上因素，我们的模型首先利用共享特征提取部分（包含共享特征编码器与解码器）通过考虑两任务的相关性提取到对二者均具有较强鉴别性的特征。而后，差异特征提取部分利用两个差异解码器对共享特征进行进一步细化，使其可以缓解两任务的冲突，进而分别得到更适用于二者的特异性特征图。此外，为有效训练特征提取网络，本模型还需两个分类头分别作用于输出特征图，以得到二者的分割结果，并分别依据对应金标结果计算层次分割损失和血管分割损失函数。最后，本课题还计划提出一个均衡正则项，用以在多任务训练过程中平衡两个任务的拟合度，防止模型过于关注简单任务也就是层级分割。
本模型中各模块的具体实现计划下图所示。其中共享编码器与共享解码器采用U型网络结构作为主干框架。与经典U型结构相同，差异解码器结构也包含五个具有相同结构的差异解码模块。对于该差异解码模块，本课题计划设计一个轻量级的模块来减小网络的参数量，提高运算效率。具体来看，该模块通过将共享编码器对应模块输出结果与差异编码器前一模块的输出相连接，并通过两个核为1的卷积操作聚合特征。该模型的输出包含三个部分，即两个任务的各自的差异特征图与二者共同的共享特征图。随后，本课题计划将两个差异特征图分别与共享特征图连接，并通过核为1的卷积进行融合，以此作为两个任务的最终输出特征。
我们提出的脉络膜分割模型可以很好地在多种类型的OCT影像上实现脉络膜分层及脉络膜血管分割，并对其脉络膜结构及血管的生理指标进行定量评估。此外，本模型也可以以弱监督模式无创地对眼底脉络膜血管网进行重建，辅助医生对脉络膜异常疾病的诊疗。该模型也已经被应用在小儿近视临床分析脉络膜血管表现分析中。
该论文的第一作者是MILab博士朱磊，通讯作者是卢闫晔研究员。其他合作者还包括北京大学第一医院眼科李俊猛医生，杨柳主任等人。该研究得到了北京自然科学基金（Z210008）、国家重点研发计划（2018YFE0114800）、深圳科技计划（1210318663）、国家重大科技基础设施建设等项目支持。
添加评论