基于 IRSLO 图像，我们研发了一种专门用于血管分割的算法，并将其作为开源项目发布。该算法采用了 U-Net 深度学习网络，在测试集上达到了较高的准确率，并可用于计算血管指标，如分形维度和血管密度。

Nov, 2023

Choroidalyzer 是一个开源的端到端流水线，准确地分割脉络膜区域，提取脉络膜厚度、面积和血管指数。

Dec, 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

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

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

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

提出 UOLO 框架，用于医学图像中感兴趣结构的同时检测和分割。UOLO 由对象分割模块组成，其中间抽象表示被处理并用作对象检测的输入。该系统同步优化以检测对象类和分割可选结构类。通过新的损失函数进行训练，考虑到每个训练图像是否可以获取参考分割。在公共数据集上，验证 UOLO 在视网膜图像中同时进行视盘（OD）检测、黄斑检测和 OD 分割，实现了最先进的性能。

Oct, 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

本文提出了一种基于生物启发的多方向分析的视网膜血管提取方法，应用可逆向分数进行多方向分析，通过 SE (2) 中的曲线优化几何学原理来跟踪血管并提取视网膜血管模型，该方法可自动执行，提供视网膜血管的详细模型，是进一步定量分析视网膜的有力基础。

Dec, 2012

利用光学相干断层扫描技术的新概率方法进行眼底层面的快速准确分割，获得了 2.46 微米的平均无符号误差，并可用于评估分割质量、发现错误区域和鉴别正常和病理性扫描。

Mar, 2014