使用合成数据来监督分割算法，提出了一种在小鼠脑部 3D OCTA 图像中实现无标记血管分割的方法。

Mar, 2024

本研究提出了一种准确高效的神经网络，用于光相干断层扫描血管成像（OCTA）中视网膜血管的分割，通过在完整分辨率卷积网络中应用改进的循环 ConvNeXt 模块实现了与其他 SOTA 方法相当的准确性，且具有更少的参数和更快的推理速度（比 U-Net 轻 110 倍且快 1.3 倍），非常适合工业应用，同时构建了一个包含 918 个 OCTA 图像及其相应血管注释的新数据集，该数据集通过 Segment Anything Model（SAM）的协助进行半自动注释，极大地提高了注释速度，研究代码和数据集可从给出的 URL 获取。

Sep, 2023

本研究提出一种利用一次重复 OCT 扫描生成 OCTA 图像的血管提取流程，基于卷积投影利用更好地学习图像块之间的空间关系的 Vasculature Extraction Transformer（VET）实现。与使用四次重复 OCT 扫描的 SV-OCTA 及 ED-OCTA 获得的 OCTA 图像相比，VET 提取的 OCTA 图像展现出中等的质量和更高的图像对比度，同时将所需数据采集时间从大约 8 秒缩短到了大约 2 秒。根据视觉观察，VET 在使用具有挑战性的颈部和面部 OCTA 数据的区域中优于 SV 和 ED 算法。该研究表明，VET 具有从快速一次重复的 OCT 扫描中提取血管图像的能力，从而有助于对患者进行准确的诊断。

Apr, 2023

本文提出了一种基于多任务学习的新型 OCTA 分割方法 (OCTA-MTL)，利用图像到 DT（距离变换）分支和自适应损失组合策略，该方法在 ROSE-2 数据集上表现出卓越的分割性能，相对于两种基线方法：单任务分割方法和使用固定损失组合的多任务分割方法。

Nov, 2023

通过利用合成血管数据集训练深度学习分割模型，解决了光学相干断层扫描术 (sOCT) 中的复杂性，为神经血管结构的更准确和高效分析铺平了道路。

May, 2024

通过使用来自光学相干断层扫描血管造影 (OCTA) 的图像训练 AI 算法，我们可以通过标准的结构性光学相干断层扫描 (OCT) 图像来生成血管图，且模型的性能在微血管灌注方面与 OCTA 不相上下，表现明显优于专家临床医生的操作水平，并绕过了专家标注的负担和限制。这为医学成像提供了一种新的应用方法。

Feb, 2018

提出了一种基于 OCT-A 的血管分割网络 SCF-Net，并在 ROSE 数据集上进行了全面的评估，结果表明相对于传统方法和其他深度学习方法，SCF-Net 在 OCT-A 中具有更好的血管分割性能。

Jul, 2020

该研究通过使用生成式机器学习技术将视网膜层析成像转化为视网膜层析血管成像，从而有可能绕过使用专门的层析血管成像设备的需求，该方法利用了生成式对抗网络框架，研究验证了转化后图像的质量，并通过对比原始图像评估了新型图像的可行性，结果表明该方法对于疾病诊断有很高的潜力，特别是通过使用血管特征来检测疾病。

Apr, 2024

该研究使用序列切片光学相干断层扫描技术开发了一种高度可推广的神经血管分割方法，不需要手动注释并达到了人类水平的精度。

Jul, 2024

通过低秩适应技术和相应的提示点生成策略使 SAM-OCTA 方法在光学相干断层扫描血管造影 (OCTA) 数据集上实现了先进的分割性能，其中讨论了提示点对于视网膜血管、黄斑无血管区、毛细血管、动脉和静脉分割任务的效果和适用性，并成功解决了以往工作中未很好解决的局部血管分割和动脉静脉分割问题。

Oct, 2023