基于深度学习的视网膜OCT图像分类研究综述.docVIP

基于深度学习的视网膜OCT图像分类研究综述

光学相干断层扫描（OCT）作为一种非侵入式的三维成像技术，能够以微米级分辨率呈现视网膜各层结构，是眼科疾病诊断与随访的核心检查手段。传统视网膜OCT图像分析高度依赖眼科医生的主观阅片，存在诊断效率低、观察者间一致性差异大、早期病变识别灵敏度不足等局限。随着深度学习技术在医学影像领域的快速渗透，基于数据驱动的视网膜OCT图像自动分类方法成为突破传统分析瓶颈的重要方向，相关研究覆盖算法架构创新、小样本学习优化、多模态融合、临床可解释性提升等多个维度，已在糖尿病视网膜病变、年龄相关性黄斑变性、黄斑水肿、青光眼等常见致盲性眼病的自动筛查与辅助诊断中展现出显著应用价值。

一、视网膜OCT图像分类的核心任务与数据集基础

视网膜OCT图像分类任务根据临床需求可分为三个层级：第一层级是正常与异常图像的二分类，主要用于大规模人群眼病筛查，目标是快速分流疑似病例；第二层级是单病种多分类，例如区分年龄相关性黄斑变性的不同亚型（干性/湿性、是否伴脉络膜新生血管）、糖尿病视网膜病变的严重程度分级等，服务于临床辅助诊断；第三层级是多病种联合分类，即同时识别多种视网膜病变与全身性疾病的眼部表征，为全病程管理与系统性疾病预警提供支持。

高质量标注数据集是深度学习模型训练的基础，当前主流公开视网膜OCT数据集包括：

KaggleOCT数据集：包含近11万张黄斑区OCT切