一种用于视网膜分割与量化的通用模型
计算机视觉与模式识别
2026-02-10 v1 人工智能
摘要
视网膜成像快速、非侵入且广泛可用，为眼科和全身健康评估提供可量化的结构和血管信号。这种可及性为研究定量视网膜表型与眼科及全身疾病之间的关系提供了机会。然而，由于公共多标签数据集稀缺以及缺乏统一的分割到量化流程，这类分析在规模上仍然困难。我们提出RetSAM，即视网膜分割与量化通用框架，用于眼底成像。它提供稳健的多目标分割和标准化生物标志物提取，支持下游眼科研究和ocularomics相关性分析。该模型在超过20万张眼底图像上训练，支持三类任务，分割五种解剖结构、四种视网膜表型模式以及20多种不同病灶类型。它将这些分割结果转化为30多个标准化生物标志物，涵盖结构形态、血管几何和退行性变化。采用多阶段策略训练，同时使用私有和公共眼底数据，RetSAM在17个公共数据集上实现优异的分割性能。相较于先前最佳方法，平均DSC提升3.9个百分点，在具有挑战性的多任务基准中提升最高可达15个百分点，并在不同人群、成像设备和临床环境下表现出良好的泛化能力。所得生物标志物使我们能够系统性地关联包括糖尿病视网膜病变、年龄相关性黄斑变性、青光眼和发育性散瞳在内的多种眼科疾病。综上，RetSAM将眼底图像转化为标准化、可解释的定量表型，促进了大规模眼科研究和临床转化。
引用
@article{arxiv.2602.07012,
title = {A General Model for Retinal Segmentation and Quantification},
author = {Zhonghua Wang and Lie Ju and Sijia Li and Wei Feng and Sijin Zhou and Ming Hu and Jianhao Xiong and Xiaoying Tang and Yifan Peng and Mingquan Lin and Yaodong Ding and Yong Zeng and Wenbin Wei and Li Dong and Zongyuan Ge},
journal= {arXiv preprint arXiv:2602.07012},
year = {2026}
}