编者按：目前光相干断层扫描（OCT）已经成为眼科临床工作中不可缺少的一项重要检查，从前节到后节都为眼科医师提供了巨大的帮助。在常规应用的基础上，OCT还有哪些拓展应用呢？在今年湖南长沙举行的第二十七次全国眼科大会（CCOS 2023）上，来自江苏省人民医院的刘庆淮教授就OCT图像的拓展分析进行了讲解。
前言
光相干断层扫描是将光束射到组织或标本上，光束被不同距离上的显微结构反射，通过测量反射光的时间延迟显示为二维的横截面图像。其包含了3个含义：“光”指近红外光（840nm），“相干”指两束光的相干涉原理（频率，相位），“断层扫描”指眼球纵向结构成像（活体组织切片机）。
OCT的发展经历了一步一步的过程，并一直朝着更广、更深、更精、更快的方向发展。
OCT可以通过图像呈现的形态学和反射强度进行定性分析，通过厚度地形图等进行定量分析，并将二者结合综合分析进而进行诊断。因此，一些国际研究小组甚至以OCT图像作为疾病分级标准，如黄斑玻璃体界面疾病、黄斑前膜、病理性近视。
基于OCT的诊疗模式，使得OCT在基础医院逐渐普及，加强了医患之间的沟通。但是只关注一张OCT报告，存在诸多问题：譬如断层只关注一个剖面、缺乏整体病变（如体积）的评估、缺乏病理信息的提取（如高反射亮斑）等。因此，需要医师关注OCT图像的拓展分析，包括OCT原始图像的处理、OCT图像的病变分析、OCT眼底图像的辅助决策三个方面。
OCT原始图像的处理
处理后的OCT原始图像可以提供更清晰、更全面观察的OCT眼底图像，包括去噪、增强、融合显示、超分辨率生成等。
去噪
改进的同质相似性去噪是将原始图旋转后“摆正”，之后把噪声点相似的区域（即眼底OCT区域的上和下部分）提取出来，去噪，以增强眼底组织图像（即目标区域）。改进方法包括噪声分布预处理、邻域形状调整、目标区域区别处理。视网膜-脉络膜的上下噪点以及组织内部的噪点（这些噪点分布、像素都类似）去除后，可以增强视网膜各层结构。
增强
基于OCT黄斑区cube模式下的断层扫描图，如果提取特征，可以得到en-face（左）及OCTA图片（中）。中间的生成OCTA图是由黄斑区血管增强投影得到的，与右边真实的OCTA扫描图具有可比性。
由于光的吸收效应，视网膜血管在內界膜（ILM）和外丛状层之间的反射率会提升；而由于视网膜血管的阴影影响，视网膜血管下方的反射率会下降。充分利用上述特性，通过视网膜血管模板对区域限制投影图像进一步提升血管对比度，可以得到高低反射率增强的OCT视网膜血管投影。
融合显示
如果是全体素投影，即把OCT上的每个断层亮度不同的信息合成，得到左下A图，显示不出玻璃膜疣。区域限制投影(RSVP)经过两步：第一步，经过目标强化，把目标的玻璃膜疣强化（右上B）；第二步，只留取视网膜表面信息和玻璃膜疣及玻璃膜疣附近的信息，这样生成的图就把玻璃膜疣凸显出来了。这就是区域限制投影。
基于区域限制投影，相对于彩照和体素全投影，玻璃膜疣显著被增强。
同样，聚焦在RPE-脉络膜， 提取的是GA（地图样萎缩）信息。
将玻璃膜疣和地图样萎缩合在一起成像，并用炫彩来区分，结果如下。
OCT图像的病变分析
OCT图像的病变分析包括是否正常、病变部位、病变大小情况。由于SD-OCT和EDI-OCT图像能够几乎同时获得同一个眼睛的成像数据，刘教授提出了一种基于EDI-OCT驱动的SD-OCT图像的三维脉络膜层分割方法。如图所示，5线EDI-OCT图像对应128线SD-OCT图像中其中5幅图像，由于EDI-OCT图像的成像时间较长，因此脉络膜层在EDI-OCT图像中能够较SD-OCT图像具有更好的对比度和清晰度。
刘教授在EDI-OCT图像脉络膜层分割的基础上，通过图像配准技术将EDI-OCT的脉络膜层分割结果映射到SD-OCT图像中，用于估计脉络膜层的平均厚度和辅助构造SD-OCT图像的脉络膜层特征空间，最后采用三维图搜索得到最终的SD-OCT脉络膜层分割结果。
算法流程图主要分为三部分：EDI-OCT图像脉络膜层分割、EDI-OCT和SD-OCT图像配准和SD-OCT图像脉络膜层分割。
下图为脉络膜层厚度映射图，表明刘教授方法的厚度映射图比手工结果更平滑，因为手工结果是逐帧在二维SD-OCT图像上分割的，而刘教授的方法是在三维空间上进行分割的，因此分割结果更接近真实的情况。
以下为不同病理改变的水肿分割情况。
OCT眼底图像的辅助决策
OCT眼底图像的辅助决策，是基于OCT图像对眼底病变的发展趋势和严重等级做出判断。刘教授通过一项回顾性研究，对AI预测抗VEGF治疗后CNV体积变化的准确性进行了探索分析。
纳入标准：
2012年到2015年间，在江苏省人民医院接受单抗类抗VEGF药物 QM治疗12次及以上的AMD患者；
初诊OCT显示存在Type II CNV临床随访资料完整；
每月OCT影像资料完整的患者。
AI训练方案：
AI验证方法：
网络：
首先通过一个2D的显著图生成网络来生成CNV的显著图，该显著图能够给出CNV所在的大致区域，然后通过一个自动的阈值选择算法来移除不相关的区域，从而只保留CNV相关的区域。生成的CNV显著图和3D的预测网络相结合来获得多尺度的局部和全局特征表示，该特征被用来进行CNV体积预测和CNV体积趋势的预测。
该网络首先对每一个B-Scan进行二分类，即是否包含CNV，然后通过网络训练得到的映射参数和特征图相结合来获得CNV显著区域。
研究结果：
AI训练方案一：
最后一次随访，各患者的预测值与真实值很接近。
AI训练方案二：
6位患者的预测走势图如下。蓝色实线为真实的CNV体积变化，红色实线为预测的CNV体积变化，蓝色虚线为真实的CNV体积变化整体趋势，红色虚线为预测的CNV体积变化整体趋势。
小结
目前OCT已经更深、更广、更高清、数字化和智能化，为规范OCT数据的采集、搭建信息化管理平台提供了基础。拓展分析要注意样本量和多模态、不同设备的差异性，以及拓展分析的临床实用性。
声明：本文仅供医疗卫生专业人士了解最新医药资讯参考使用，不代表本平台观点。该等信息不能以任何方式取代专业的医疗指导，也不应被视为诊疗建议，如果该信息被用于资讯以外的目的，本站及作者不承担相关责任。
2 comments
京公网安备 11010502033360号
条评论
Linda Gareth
2015年3月6日, 下午2:51Donec ipsum diam, pretium maecenas mollis dapibus risus. Nullam tindun pulvinar at interdum eget, suscipit eget felis. Pellentesque est faucibus tincidunt risus id interdum primis orci cubilla gravida.