基于深度学习的视网膜脱离MRI影像特征与术后视功能恢复预测研究综述.docVIP

基于深度学习的视网膜脱离MRI影像特征与术后视功能恢复预测研究综述

视网膜脱离（RetinalDetachment,RD）作为严重致盲性眼底疾病，是神经上皮层与色素上皮层的病理性分离，其解剖复位成功率已达85%以上，但术后视功能恢复个体差异显著，近30%患者最终最佳矫正视力低于0.3。传统预测模型依赖术前视力、病程时长、黄斑受累情况等临床指标，对隐匿性病理损伤的识别灵敏度不足，难以实现个体化预后评估。磁共振成像（MagneticResonanceImaging,MRI）具备多参数、多方位成像优势，可清晰显示视网膜下积液成分、视网膜层间结构破坏程度及视神经通路微结构变化，而深度学习技术的崛起为挖掘MRI影像中高维、隐性的预后关联特征提供了全新路径，两者结合已成为眼科精准医疗领域的研究热点。

一、视网膜脱离MRI影像特征的深度学习识别体系

（一）视网膜结构区域的全自动分割算法

视网膜脱离患者的MRI影像分割需精准定位玻璃体腔、脱离视网膜、视网膜下积液、黄斑区四大核心区域，传统手动分割耗时约15-20分钟/例，且观察者间一致性Kappa值仅为0.72-0.78。深度学习分割网络已实现端到端的自动化处理，其中U-Net系列模型在该场景中应用最为广泛：2022年斯坦福大学团队提出的RD-UNet引入注意力门控机制，对黄斑区脱离范围的Dice系数达0.94，平均分割时间压缩至1.8秒