魏 静，江旻珊，茅 前

（上海理工大学 光电信息与计算机工程学院，上海 200093）

引 言

糖尿病性黄斑水肿（dabetic macular edema，DME）是血视网膜屏障破损导致黄斑区液体积聚的一种眼底疾病，是糖尿病患者视力损伤的重要原因[1]。DME患者若未及时得到诊断和治疗，会导致不可逆的视力损伤。DME的主要治疗方式是向玻璃体内注射抗血管皮生长因子（anti-VEGF）来抑制异常的新生血管生长，但是患者的个体注射方案需要医生根据积液的类型和区域大小来决定。视网膜积液根据积聚位置分为视网膜内积液（intraretinal fluid，IRF）和视网膜下积液（subretinal fluid，SRF）。光学相干断层扫描（optical coherence tomography，OCT）是一种无辐射非侵入的成像技术，能提供清晰的视网膜横截面图像。眼科医生通过观察DME患者的视网膜OCT图像中的积液类型和积液区域大小判断病变情况，但不能准确地量化积液并据此制定治疗方案。然而，手动分割视网膜积液在人力和时间上都是一个巨大的挑战。自动准确量化OCT图像中的IRF和SRF可以大大提高医生的诊断和治疗效率，因此，一种能够自动分割积液区域的算法对于临床诊断尤为重要。

近些年，很多自动分割OCT视网膜积液的方法被提出，主要分为传统图像分割和机器学习两类。王杰等[2]通过模糊水平集识别B 扫描和C 扫描上的流体区域边界，组合边界生成视网膜积液的3D分割，并在10只患有DME的眼睛上对算法进行了评估，该方法需要预先分割视网膜层并对分割结果进行手动校正。Chiu等[3]提出了一种基于核回归的机器学习方法对视网膜层进行分类，再结合图论和动态编程的框架识别准确的视网膜层和液体位置，在10名患者的OCT图像上进行了验证，但是这种方法并没有区别视网膜内积液和下积液。……