通过SEC-UNet精准分割糖尿病视网膜病变眼底OCT图像脉络膜层

目的 糖尿病视网膜病变（DR）是糖尿病的严重并发症，可导致患者视力下降甚至失明。脉络膜的早期检查在DR诊断中起着至关重要的作用。然而，由于DR患者的光学相干层析成像（OCT）中存在脉络膜和巩膜边界模糊、视网膜病变阴影等问题，导致大多数现有算法无法精准分割脉络膜层。本文目的在于提高DR患者OCT图像中脉络膜层分割的精准度。方法 本文提出了一种结合挤压激励连接（SEC）模块和UNet的网络，简称SEC-UNet，不仅增强Unet的局部细节目标关注能力，且能跳出局部最优来增强整体表达能力。结果 SEC-UNet模型的ROC曲线下面积（AUC）达到0.993 0，优于传统UNet模型和SE-UNet模型。这表明SEC-UNet能够获得准确、完整的脉络膜层分割结果。统计分析脉络膜参数变化发现，与正常眼相比，87.1%的DR患者脉络膜中央凹1 mm内体积增加，这证明了DR很可能导致脉络膜增厚。结论 该技术有望成为一种新的辅助诊断工具，帮助医生研究脉络膜在糖尿病眼病的预防、发病机制和预后中的作用。