光学相干断层扫描（OCT）通过提高形态结构解析能力，利用深度学习技术实现了基于医学图像的诊断与治疗。为了克服现有深度学习方法在图像重建中的频率偏差问题，本文提出了一种结合频率感知超分辨率框架，通过集成三个关键的基于频率的模块（频率变换、频率跳跃连接和频率对齐）及频率损失函数到条件生成对抗网络（cGAN）的方法。通过对一个现有的冠状动脉 OCT 数据集进行大规模定量研究，证明了我们提出的框架优于现有的深度学习框架。此外，我们还将该框架应用于鱼角膜图像和大鼠视网膜图像，证明了它在眼科成像中对解析形态细节的能力。

Jul, 2023

提出基于深度学习的神经网络来校正 OCT 图像中的运动伪影，并在实验中表明该方法可以有效地校正运动伪影，恢复视网膜的整体曲率，并能够推广到各种疾病和分辨率。

May, 2023

在本文中，我们提出了一种可行的光谱空间采集方法，该方法在保持高质量的图像重建的同时，在光谱和空间域中缩小了采样过程。此外，我们还提出了一种统一的多尺度重建框架，即多尺度光谱空间放大网络（MSSMN），用于解决高度缩小的 OCT 图像。我们的方法和多尺度重建框架相结合，可能允许在冠状动脉干预期间进行更快的 SD-OCT 检查，具有高分辨率。

Apr, 2022

本文提出了一种针对光学相干断层扫描（OCT）噪声降低的 few-shot 监督学习框架，该框架在训练速度和培训内容方面都有巨大的提高，此外，我们还为 OCT 不同成像系统的域偏移问题提出了可能的解决方法。

Jun, 2023

该研究使用光学相干断层扫描（OCT）技术，建立了一个开放数据集（OCTDL），其中包含 1600 多幅高分辨率 OCT 图像，针对疾病组和视网膜病理进行了标记。通过应用深度学习分类技术，对该数据集进行了疾病分类的研究。

Dec, 2023

利用频率信息的 GAN-based 非配对超分辨率方法用于 OCTA 图像，通过双通道生成器特别强调高频细胞由此，实验显示我们的方法在定量和视觉上均优于其他最先进的非配对方法。

Sep, 2023

提出了一种名为 Sub2Full (S2F) 的创新自监督策略用于光学相干断层扫描 (OCT) 去噪，无需干净数据，该方法在视觉光 OCT 视网膜图像上验证并展示了优于常规的 Noise2Noise 和 Noise2Void 方案的性能。

Jan, 2024

本研究提出一种卷积神经网络架构，能够成功区分不同视网膜层的退化以及其潜在的疾病原因，准确率达到 99.8%，100%。此外，这种架构可以实时预测视网膜疾病，同时表现优于人类诊断医师。

Oct, 2019

本文介绍了一种新的合奏学习机制，旨在识别受限资源（例如数据、计算）下的视网膜疾病，该机制利用了多个预训练模型的见解，有助于将它们的知识转移到视网膜光学相干断层扫描图像中，提供了一种在处理受限标记数据的情况下建立强大模型的方法，并消除了从头开始学习所需的大量参数的需求。在真实世界数据集上进行的全面实验表明，所提出的方法在识别视网膜光学相干断层扫描图像方面可以实现优越性能，即使在处理非常有限的标记数据集时也是如此。此外，这种方法消除了学习大规模参数的必要性，使其非常适合在资源有限的情景中部署。

Feb, 2024

提出了一种新颖的深度学习框架，基于 3D 光学相干断层扫描（OCT）成像进行自动青光眼检测，取得了优于现有方法的表现，为提高临床决策支持系统和改善青光眼管理患者预后提供了重要潜力。

Mar, 2024