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

利用深度学习和超分辨率技术重建失去的特征，以改善眼科临床医生的决策，应对广场视野 OCT 系统降低分辨率的挑战。

Jan, 2023

本文介绍了开发和验证了一种生成对抗网络（GAN），旨在创建高分辨率，逼真的前节光学相干层析成像（AS-OCT）图像。作者使用经验丰富的屈光外科医生对这些生成的图像的逼真程度进行了评估，并证明了他们的实用性。此外，使用提高后的分辨率的生成图像进一步改善了它们的质量，增强了它们在机器学习和图像分析任务中的有效性。

Jun, 2023

提出了一种基于参考的超分辨率（RefSR）框架，用于保留 OCT 血管造影图的分辨率并扩大扫描区域，通过使用训练出的纹理生成器生成纹理，提高了精度和稳健性，具有应用前景。

May, 2023

本文提出了一种新的条件生成对抗网络（GAN），能够同时从眼底照片中合成荧光素血管造影图像，并预测视网膜退化，从而解决了以非侵 asive 的方式对眼底血管成像以及预测视网膜异常的问题。

Apr, 2021

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

采用基于空间殖民化的仿真方法和三个对比适应管道，以更快、更真实地合成 OCTA，表现出优异的性能，能更好地补足深度学习方法不足。

Jun, 2023

应用 3D 循环 GAN 框架，无创生成视网膜共聚焦图像，从而进一步增强眼科诊断和监测能力。

Nov, 2023

提出了一种混合注意力结构的网络 (HASPN) 来实现对非采样光学相干断层扫描图像的超分辨率恢复，以加快图像采集速度，并在糖尿病性黄斑水肿视网膜资料集上验证了其良好的泛化能力。

Jun, 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