近日，南京信息工程大学智能医学图像计算江苏高校重点实验室（IMIC）罗月梅老师团队在工程技术与计算机科学领域国际权威期刊《Applied Soft Computing》上发表了最新研究成果。

该研究题为《用于OCTA影像中视网膜血管量化分析的双路提示增强的半监督分割方法》。该研究致力于解决临床中OCTA影像视网膜血管分割的核心痛点，基于常规无创OCTA眼底影像，整合Segment Anything Model（SAM）基础大模型先验与半监督一致性学习技术，构建了仅需极少量标注数据即可实现高精度视网膜血管分割的智能模型。模型（如图所示）针对OCTA影像设计了全流程的半监督学习框架，在模型训练前，完成了影像标准化预处理与特征编码；核心架构采用共享图像编码器与双权重解码器的协同训练模式，融合提示引导与无提示两条分割路径，实现少量标注数据下的泛化能力提升；针对海量无标注数据，创新性设计交叉提示策略，从无标注数据的预测结果中生成伪提示点，在双解码器分支间建立双向监督引导，充分挖掘无标注数据的有效信息；同时引入提示一致性正则化策略，结合中心点与随机点的混合采样方案，约束模型在不同空间提示下的输出稳定性，有效缓解了SAM模型对提示点位置高度敏感的固有缺陷，最终实现标注稀缺场景下的稳健血管分割。该模型在公开数据集的内部交叉验证中展现出优异的分割性能，综合表现全面超越当前多种主流的监督学习与半监督学习方法。此外，通过多组消融实验与可视化分析，充分验证了各核心模块的增益效应与模型优化逻辑，进一步明确了半监督提示学习在医学影像分割中的应用价值。

此项技术突破性地实现了仅用5%标注数据完成高精度视网膜血管分割，大幅降低了眼底影像分析的标注成本与专业门槛，有效解决了临床中眼科影像标注稀缺、标注依赖医师专业经验的核心问题。其优异的分割精度、血管结构连续性与模型鲁棒性，能够为视网膜血管的量化分析提供稳定可靠的技术支撑，有望显著加速OCTA影像的临床分析流程，辅助眼科医生完成眼部疾病的早期筛查、纵向病程监测与精准预后评估，为糖尿病视网膜病变、青光眼、年龄相关性黄斑变性等眼病的精准诊疗提供有力的AI支持。

图. 本文提出的模型框架示意图

本文引用方式与原文链接

Yuemei Luo, Yuan Li, Lei Tao, Jun Xu, and Linbo Liu, Dual-path Prompt-enhanced Semi-supervised Segmentation for Retinal Vessel Quantification in OCTA Imaging, Applied Soft Computing, 2026:114778.https://doi.org/10.1016/j.asoc.2026.114778