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

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

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

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

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

本研究提出一种通过疾病特定特征表征作为新颖架构，在监督编码疾病模型和无监督方式生成注意力图之间同时利用视网膜亚空间变形的理解以提高视网膜疾病分类网络精度和鲁棒性。实验结果表明所提出的联合网络可以显著提高视网膜疾病分类网络的准确性和鲁棒性。

May, 2020

通过引入级联摊减潜在扩散模型（CA-LDM），我们以一种内存高效的方式合成了高分辨率 OCT 体积，实验证明合成数据具有逼真的高分辨率和全局特征，优于现有方法，并在两个下游细粒度分割任务上改善了深度学习模型的性能。

May, 2024

本研究提出了一种基于卷积神经网络的半监督学习方法，利用光学相干断层扫描成像技术对视网膜疾病进行自动识别，并取得了良好的效果。

Oct, 2016

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

我们的研究提出了一种自我监督的强大机器学习框架 OCT-SelfNet，用于使用光学相干断层扫描 (OCT) 图像检测眼部疾病，通过结合多个机构的数据集，采用两阶段训练方法（自我监督预训练和有监督微调），并基于 SwinV2 主干结构的遮罩自编码器解决了实际临床应用部署的问题。广泛的实验表明，我们的方法在所有测试中均获得超过 77% 的 AUC-ROC 性能，而基线模型 Resnet-50 的性能不到 54%。此外，根据 AUC-PR 指标，我们的方法达到了 42% 以上的性能，相比基线模型的 33%，性能提升了至少 10%，这显示了我们方法的潜力和在临床设置中的实用性。

Jan, 2024