#OCT

PubMed Ophthalmology #3/18

孟加拉国特定人群视网膜OCT数据集及自监督体积恢复技术

该研究构建了一个针对孟加拉国特定人群的视网膜OCT数据集BanglaOCT2025，重点聚焦于黄斑区。通过引入Flip-Flop Swin Transformers，研究人员实现了自监督的体积恢复，显著提升了图像质量和诊断准确性。这一技术路线不仅为发展中国家提供了低成本、高效率的眼科影像解决方案，还为全球眼科医学研究和临床实践开辟了新的方向。

#OCT#人工智能#视网膜

PubMed Ophthalmology #4/18

糖尿病视网膜病变的纵向定量评估：OCT与OCTA的应用

该前瞻性研究通过光学相干断层扫描（OCT）、光学相干断层扫描血管成像（OCTA）及MATLAB分析，对142只糖尿病眼（0-3期糖尿病视网膜病变，DR）和34只对照眼进行了为期两年的随访。研究发现，糖尿病眼在基线时即表现出较低的黄斑下脉络膜厚度（SFCT）和脉络膜血管指数（CVI），且这些指标随时间进一步恶化。此外，深层血管直径指数（VDI）在区分0期与1期DR方面表现最佳，而浅层VDI则有助于区分2期与3期DR。这些定量指标为早期检测、分期和监测DR提供了新的生物标志物。

#糖尿病视网膜病变#OCT#OCTA

PubMed Ophthalmology #5/18

变分自编码器与先进DSP技术在OCT图像中精确测量角质层厚度

光学相干断层扫描（OCT）已成为眼科诊断的重要工具，尤其在角膜疾病和眼部表面疾病的评估中。该研究通过结合变分自编码器（VAE）和先进的数字信号处理（DSP）技术，实现了对角质层厚度的高精度测量。研究团队开发了一种新的算法，能够从OCT图像中自动提取并量化角质层厚度，从而提高诊断的准确性和重复性。实验结果表明，该方法在不同条件下均表现出优异的性能，为临床医生提供了更可靠的诊断依据。

#OCT#变分自编码器#数字信号处理

PubMed Ophthalmology #6/18

OCT与OCTA在脉络膜血管指数测量中的重复性与一致性

该研究旨在评估不同扫频源光学相干断层扫描（OCT）设备以及OCT与OCT血管成像（OCTA）之间在测量脉络膜血管指数（CVI）时的重复性、再现性和一致性。研究使用了VG200I和Topcon DRI OCT Triton两种设备，对68只眼进行了三次图像采集，并通过内置软件和自定义算法分别计算CVI-OCTA和CVI-OCT。结果显示，两种OCT设备在测量CVI-OCTA和CVI-OCT时均表现出高重复性和再现性，但设备间的一致性在CVI-OCTA上较差。此外，同一设备内两种分析方法的一致性也较差。这些结果表明，尽管OCT设备在测量CVI时具有良好的稳定性，但在不同设备和不同分析方法之间的一致性仍需进一步改进。

#OCT#OCTA#脉络膜血管指数 +2

PubMed Ophthalmology #7/18

OCT与OCTA在AMD研究中的进展：深度分析

该研究通过文献计量分析，探讨了2015年至2024年间光学相干断层扫描（OCT）和光学相干断层扫描血管成像（OCTA）在年龄相关性黄斑变性（AMD）领域的研究热点、新兴趋势和技术创新。研究发现，美国和中国是该领域的主要贡献者，其中美国在出版物数量和H指数上领先。加州大学系统在机构中表现最为突出。研究还表明，OCT和OCTA技术的结合，特别是与人工智能的整合，能够实现更早的病变检测、更精细的表型分类以及数据驱动的个性化管理。这些进步将显著提高AMD的诊断准确性和治疗决策。

#OCT#OCTA#AMD +2

PubMed Ophthalmology #8/18

OCT与机器学习在儿童神经纤维瘤病1型视力异常检测中的应用

神经纤维瘤病1型（NF-1）是一种遗传性疾病，常导致儿童视力丧失。光学相干断层扫描（OCT）提供非侵入性、高分辨率的视网膜和视神经结构成像，但将其数据转化为临床预测工具仍具挑战。本研究通过回顾性纵向队列分析了168名3至19岁NF-1患儿的515次OCT测量结果，评估了多种机器学习模型识别当前视力异常的能力。结果显示，平衡随机森林模型表现最佳（AUC=0.82；敏感性=0.66）。视网膜神经纤维层（RNFL）和神经节细胞层（GCL+）变薄是视力异常最强的预测因子。基于总黄斑和神经层厚度的数据驱动截断值提供了明确的临床解释阈值，而累积“k-out-of-n”分析表明，结合多个OCT异常可增强风险分层。这些发现突显了可解释机器学习将OCT数据转化为可解释且具有临床操作性的工具的潜力，用于早期检测和管理NF-1患儿的视力异常。

#OCT#机器学习#NF-1 +1

PubMed Ophthalmology #9/18

基于深度学习的OCT重建技术提升视网膜成像速度与对比度

光谱域光学相干断层扫描（SD-OCT）在眼科临床中广泛应用，但其成像速度和灵敏度受限。本研究提出一种基于深度学习的方法，通过改进的U-Net架构来增强SD-OCT系统的成像速度和灵敏度。该方法采用视觉状态空间模型，从高速采集的数据中合成高信噪比（SNR）的OCT和OCTA图像，从而绕过硬件限制。实验结果表明，该方法在高SNR OCT/OCTA重建中表现出色，提高了视网膜各层之间的对比度，并清晰地描绘了层边界。微血管和脉络膜等细小结构也得到了成功恢复。这一技术为实现高速成像和高灵敏度提供了新的途径。

#OCT#深度学习#眼科成像

PubMed Ophthalmology #10/18

基于深度学习的OCT数据预测青光眼视野平均偏差

该研究旨在评估数值光学相干断层扫描（OCT）数据能否通过深度学习（DL）预测Humphrey视野分析仪（HFA）30-2视野平均偏差（MD）。回顾性分析了1200只眼睛（432只青光眼和768只正常眼睛），这些眼睛在同一天进行了频域OCT（12×9.0-mm高密度扫描）和HFA 30-2测试。像素级视网膜厚度数值直接从OCT导出并输入八个深度学习模型，包括五个卷积神经网络（ResNet50、VGG16、InceptionV3、EfficientNetB0和DenseNet121）和三个视觉变换器（ViT、DeiT和BEiT）。研究进行了两个任务：回归任务预测连续HFA MD值，分类任务区分预定义MD阈值下的视野恶化。对于回归任务，使用标准回归指标评估模型性能，并通过Bland-Altman分析评估预测与测量MD值的一致性。对于分类任务，使用基于阈值的判别指标评估模型性能。所有模型中，InceptionV3表现最佳，平均绝对误差为3.36 dB，决定系数为0.53。在临床相关MD阈值的分类分析中，基于CNN的模型在早期、中期和严重视野损失中表现出高判别性能。该研究开发了一种准确且可解释的DL系统，直接利用原始OCT厚度数据预测HFA 30-2 MD值，可能增强青光眼的诊断。

#深度学习#青光眼#OCT +1

PubMed Ophthalmology #11/18

2026年4月1日

新型深度学习网络提升OCT视网膜疾病检测

糖尿病黄斑水肿、老年性黄斑变性和视网膜静脉阻塞等眼疾需要及时准确的诊断。光学相干断层扫描（OCT）是重要的诊断工具，但其图像解读复杂。为此，研究人员开发了AMDF-Net，一种结合多种先进模块的深度学习架构，能够更精准地识别和定位视网膜病变。实验结果显示，该网络在公开数据集上的Dice系数达到98.87%，分类准确率为98.12%。

#OCT#深度学习#视网膜疾病

PubMed Ophthalmology #12/18

2026年3月31日

基于OCT和深度学习的糖尿病周围神经病变早期诊断

研究开发了一种非侵入性的糖尿病周围神经病变（DPN）诊断工具，利用多模态光学相干断层扫描（OCT）图像和多头注意力机制的深度学习算法。该模型在3264张OCT图像上进行训练和验证，结果显示其在五折交叉验证中的平均AUC为0.719，在时间验证数据集中的AUC为0.721。无血管层提供了最高的预测价值，表明这种非侵入性方法具有临床应用潜力。

#OCT#深度学习#糖尿病周围神经病变