基于RS_Unet3+深度学习框架的OCTA视网膜微结构分割与定量分析研究

本研究针对OCTA图像中视网膜血管网络（RVN）和中心凹无血管区（FAZ）手动分割耗时、主观性强的问题，提出一种结合多尺度跳跃连接和注意力机制的RS_Unet3+深度学习模型，实现了高精度自动分割与多参数定量分析，为眼科疾病诊断提供了可靠工具。

视网膜微结构的精准评估对眼科疾病诊断至关重要。光学相干断层扫描血管成像（OCTA）作为一种非侵入性成像技术，能够以毛细血管级分辨率呈现视网膜血管网络，为糖尿病视网膜病变（DR）、年龄相关性黄斑变性（AMD）等疾病提供关键信息。然而，传统手动分割方法依赖经验丰富的眼科医生，存在耗时、主观性强的问题；尽管已有机器学习方法尝试自动化分割，但多数无法同时实现RVN和FAZ的同步分割，且效率与精度难以满足临床需求。

为解决这些挑战，研究团队开发了基于RS_Unet3+的深度学习框架，通过整合多尺度跳跃连接编码器-解码器结构和Split-Attention机制，显著提升了分割性能。该研究利用三个数据集（包括新构建的FAROS临床数据集）进行验证，并实现了自动化参数计算与统计分析。论文发表于《Intelligent Medicine》，为临床提供了一种高效、轻量化的辅助诊断工具。

研究采用以下关键技术方法：

1. 1.

   使用ROSE-1、OCTA_3M和自建FAROS数据集（含40例OCTA图像，来自中山眼科中心）；

2. 2.

   提出RS_Unet3+网络结构，结合全尺度跳跃连接和ResNeSt模块；

3. 3.

   采用混合损失函数（Lovasz-Softmax + Cross Entropy）优化多类分割任务；

4. 4.

   通过高斯自适应阈值和形态学后处理提升分割质量；

5. 5.

   提取FAZ面积（A）、周长（P）、圆形指数（CI）及血管参数（VLD、FD、T等）进行定量分析。

3.1. 单任务分割结果

定量比较：在OCTA_3M数据集上，RS_Unet3+在RVN分割的Dice系数达92.83%，FAZ分割Dice达97.94%，均优于U-Net、U-Net++等传统方法。在ROSE-1数据集上，RVC分割的Dice为77.80%，验证了模型泛化能力。

定性分析：分割结果显着提升了对微小毛细血管和复杂FAZ边界的识别能力，尤其在病变图像中表现突出。

3.2. 多类分割结果

RS_Unet3+在多项指标（Dice、BACC、JAC、Kappa）上均优于对比模型，且推理时间仅64ms/图像，满足临床实时性需求。FAROS数据集的分割性能优于ROSE-1，证实其标注可靠性更高。

3.3. OCTA参数计算结果

在糖尿病视网膜病变（DR）组中，FAZ周长（P）和血管迂曲度（T）显著升高（P<0.05），而圆形指数（CI）、血管长度密度（VLD）和分形维度（FD）降低，与既往临床研究一致。

该研究通过创新性网络设计和多数据集验证，实现了OCTA图像的高精度分割与自动化分析，为视网膜疾病的早期诊断和疗效评估提供了重要工具。未来工作将聚焦于低质量图像处理、高分辨率数据集构建及与大语言模型（LLM）的整合，以进一步提升临床适用性。