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

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

采用低秩适应技术进行基础模型微调并提出相应的提示点生成策略，以处理 OCTA 数据集上的各种分割任务。该方法命名为 SAM-OCTA，并在公开可用的 OCTA-500 数据集上进行了实验。在实现最先进的性能度量的同时，该方法实现了局部血管分割和有效的动脉 - 静脉分割，这在先前的工作中尚未很好解决。

Sep, 2023

通过自主学习的变分自编码器 (VAE) 在光学相干断层扫描 (OCT) 图像中学习低维表示，并结合参与者的人口统计学和临床数据，使用随机森林 (RF) 分类器来识别未来心血管疾病风险，其性能较 QRISK3 评分更优，证明视网膜 OCT 成像是一种经济高效的非侵入性方法来预测心血管疾病风险。

Mar, 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

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

使用视觉变换器模型 MaxViT 和 EVA-02，该报告概述了我们在 IEEE SPS VIP Cup 2023: Ophthalmic Biomarker Detection 竞赛中的方法，通过从多样化病人获得的光学相干断层扫描图像中识别生物标志物，使我们的解决方案成为竞赛中表现最佳的解决方案。

Oct, 2023

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

使用仅基于病人血氧水平数据（可通过廉价指尖传感器测量）训练的深度学习模型，能够比有机会浏览现代手术室所有数据的经过训练的麻醉医生更准确地预测低血氧症的发生风险。我们也能够通过赋予病人过去血氧值的权重，提供一种简单的方式来可视化病人风险高低的原因。此工作具有在低资源环境中提供尖端临床决策支持的潜力，这些地区的手术并发症和死亡率显著高于高资源地区。

Dec, 2017