在光学相干断层扫描（OCT）中，视网膜层分割是提取视网膜结构定量生物标志物的基础步骤，尤其在神经退行性疾病的分析中受到广泛关注。
然而，由于散斑噪声、阴影伪影、相邻层之间的低对比度、不同个体的解剖差异以及因不同采集协议和临床人群引起的领域转移，分割过程仍然面临挑战。尽管深度学习方法已取得显著成效，但其在异构数据集中的稳健性和泛化能力依然有限。
本研究探讨了空间归一化作为一种预处理策略的作用，以减轻几何域转移并改善视网膜层分割的一致性。我们引入了一种以中心凹为基准的归一化框架，将OCT体积分配到一个共同的解剖参考系。
通过对最先进的深度学习架构进行全面评估，我们结合了基于重叠的传统指标（B扫描水平）、拓扑感知指标（A扫描水平）和基于厚度的测量（面视水平）来全面评估分割质量。
在缺乏真实标签的情况下，我们提出了不需真实标签的拓扑违规定量指标，以及捕捉结构一致性和临床相关模式的基于厚度的定性评估。结果表明，空间归一化在OCT分割流程中的重要性，为开发稳健且具有临床意义的视网膜分析工具奠定了基础，从而实现可靠的生物标志物提取和后续的计算分析，推动神经退行性研究的进展。
博主点评： 本文深入探讨了空间归一化在OCT视网膜层分割中的应用，提供了有效的解决方案以应对传统方法的局限性，特别是在神经退行性疾病的背景下，提升了分割的一致性和可靠性，为未来的临床应用提供了重要的理论支持和实践基础。