基于检测框架的白内障手术实时角膜图像分割技术研究

　　为解决白内障手术中角膜实时分割依赖耗时像素级标注的临床痛点，研究人员开发了基于椭圆建模的免锚框框架EllipseNet。该技术仅需矩形框标注即可实现42 ms/帧的实时分割，Dice精度达95.81%，速度较现有技术提升近3倍，显著降低临床部署门槛。

　　

在全球开展最频繁的白内障手术中，角膜与手术器械的实时精准分割对术中导航和教学培训至关重要。传统基于深度学习的分割方法往往需要耗费大量时间进行像素级标注(pixel-level annotations)，严重制约临床推广应用。

研究团队创新性提出EllipseNet框架，采用无锚框(anchor-free)设计和椭圆建模策略，基于Hourglass网络架构实现特征提取。该技术突破性地将标注工作量简化为矩形边界框(bounding box)标注，系统可自主推导角膜椭圆的长短轴参数，生成更贴合角膜解剖形态的椭圆边界框。

实验数据显示，该模型单帧分割耗时仅42毫秒，Dice系数高达95.81%，在保持同等精度前提下，其处理速度达到现有最优模型的近3倍。这种高效实时的性能使其能完美满足手术场景的时效性要求。

这项研究通过简化标注流程、优化分割算法，成功构建了更符合临床实际应用的角膜分割方案。技术方案已开源共享，为手术导航系统和数字化教学平台的发展提供了重要技术支撑。