近期，MILab近期提出一项基于弱监督学习的脉络膜子层血管造影及分析方法，通过在光学相干成像（OCT）的低质密集扫描上捕获脉络膜血管信号，实现了脉络膜血管网的重建及相关生理指标的分析，相关研究论文“Choroidal Optical Coherence Tomography Angiography: Noninvasive Choroidal Vessel Analysis via Deep Learning”已被Health Data Science《健康数据科学（英文）》期刊接受。
脉络膜是人眼中血管最为密集的组织，其结构及血管的变化是许多眼科疾病的诊断依据。现有的脉络膜造影方法主要可以分为两类，一类是依赖于静脉注射造影剂的眼底荧光造影方法，该类方法通过使用吲哚青绿（ICGA）作为造影剂进行静脉注射，即达到可视化脉络膜血管二维血管结构的效果。然而，该类方法仅可做到脉络膜血管的二维可视化，并不能提供血管的三维信息用于对脉络膜各子层血管进行评估且会很大程度上受视网膜伪影干扰。同时，由于需要静脉注射造影剂，该类方法也会对患者产生肾功能的损害，同时无法用于对疾病脉络膜病理表征的大规模的分析。除了荧光造影外，光学相干断层扫描（OCT）也是一种可以定性对脉络膜进行评估的方法。通过光学相干断层扫描，眼底结构可以被三维可视化展示。然而，光学相干断层扫描并不是一种血管造影方法，因此，除血管外眼底的其他组织信息如脉络膜基质，也会被同时捕获。而当前的光学相干断层血管造影术（OCTA），虽然可以有效捕获视网膜血管或毛细血管，但会在脉络膜中大血管处呈现黑色伪影，因此并不能捕捉到脉络膜中大血管信息。这也使得OCTA往往无法在临床中用于脉络膜血管的定量分析。
图1 脉络膜结构及本方法对脉络膜子层血管的捕捉效果
为了填补当前脉络膜血管分析技术的空白，MILAB与北京大学第一医院眼科杨柳团队合作开发一种基于深度学习的非侵入式脉络膜血管成像技术，通过分割OCT影像中的脉络膜子层血管来实现脉络膜血管造影成像。而在实际临床工作中，常用于脉络膜成像的深部增强式OCT（EDI-OCT）成像设备的局限性导致高质量密集扫描的获取既耗时又需要患者的密切配合。而能够实现高速密集扫描的扫频OCT（SS-OCT）扫描常伴随着大量噪声，这为医务人员在数据标注上带来了挑战。为了解决这些挑战，研究团队结合了域自适应方法与半监督学习策略（如图1所示），可以将医务人员更易于标注的高质量OCT影像进作为源域来训练脉络膜血管分割模型，进而将大量未标注的低质量密集扫描OCT数据作为模型迁移的目标域，通过迁移学习与半监督学习来优化模型。该方法使脉络膜血管分割模型能够在快速扫描得到的低质量SS-OCT影像上也能展现出良好的血管分割性能，从而能够进行更精确的脉络膜结构量化分析。
图2 方法的整体训练及推理框架
为了验证所提出方法的性能及其在实际应用中的有效性，研究团队开展了一系列实验和临床应用研究。研究结果表明，基于非侵入性OCT影像的脉络膜血管成像与分析技术不仅能够展示与侵入性吲哚青绿造影相媲美的脉络膜血管分布，还能提供脉络膜血管的三维信息。这使得对脉络膜血管指数、脉络膜血管体积等关键生理指标的计算更为精确。此外，利用这种新型分析方法，研究人员能够清晰地观察到小柳原田综合症患者的脉络膜血管结构异常。在进一步的临床研究中，研究团队对多种脉络膜视网膜病变患者进行了深入分析。研究发现，中央浆液性脉络膜视网膜病变（CSC）患者的脉络膜血管指数在视网膜中央凹大于6毫米的区域外显著低于健康对照组，这一发现也为脉络膜视网膜疾病相关诊断和治疗提供了新的视角。
图3 小柳原田综合症患者（粉色）及正常人（绿色）的脉络膜及子层血管生理指标比较
该论文的第一作者是MILab博士生朱磊，通讯作者是卢闫晔助理教授。其他合作者还包括北京大学第一医院李俊猛医生、杨柳主任等。该研究得到了北京市自然科学基金重点项目（Z210008）、青年学者科技创新启航计划（BMU2023YFJHMX007）、深圳科技计划（KQTD20180412181221912, JCYJ20200109140603831）、国家生物医学成像大设施基金的经费支持。
添加评论