اندازه­ گیری و ارزیابی ضخامت لایه ­های مختلف قرنیه برای تشخیص و درمان بیماری­ های قرنیه بسیار مهم و ضروری است. توموگرافی انسجام نوری­ (OCT) می­تواند بصورت غیرتهاجمی و غیرتماسی از قرنیه چشم تصاویر مقطعی در مقیاس میکرون تولید کند. از آنجایی که ناحیه ­بندی دستی این تصاویر برای تعیین لایه­ های قرنیه، وقت­گیر است، قطعه­بندی خودکار و حتی نیمه­ خودکارِ تصاویر، مطلوبِ پزشکان است. در این مقاله به بررسی روش­ های مهم قطعه­ بندی لایه­ های مختلف قرنیه در تصاویر OCT پرداخته شده است. این روش­ ها در سه بخش پیش­ پردازش، قطعه­ بندی و تولید نقشه ضخامت، مقایسه و تشریح شدند. هدف پیش­ پردازش­ ها حذف نویز و آرتیفکت در این نوع تصاویر بود. بررسی­ ها نشان داد روش­ های مبتنی بر تبدیل هاف، که با ساختار قوسی قرنیه هماهنگ است، در مقایسه با روش­ های مبتنی بر گراف و آستانه، قادر است با سرعت پردازش مناسبی مرزهای دقیق را استخراج کند. با این وجود، رویکرد جدید هوش مصنوعی و یادگیری عمیق در قطعه‌بندی، افق‌های تازه‌ای را در تحلیل این نوع تصاویر باز کرده است. هدف پژوهش ها ارائه بهینه اطلاعات تصاویر برای کمک به چشم‌پزشکان در تشخیص بهتر و درمان آسیب ­های قرنیه است؛ بنابراین می­توان گفت تولید نقشه ضخامت لایه­ ها، که نیازمند پردازشِ خودکارِ مجموعه­ ای از تصاویر ِسطح مقطع است، خروجی مهمی است که در پژوهش­ های کمتری به آن پرداخته شده است.