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

本文提出了一种新的完全卷积深度学习结构，称为ReLayNet，用于视网膜层和液态物质在眼科OCT扫描中的端到端分割，通过联合损失函数验证其有效性，并与五种最先进的分割方法进行比较。

Apr, 2017

该论文提出了一种基于贝叶斯深度学习的视网膜层分割和不确定性量化方法，其不仅可以进行视网膜层的端对端分割，而且还可以提供像素级的不确定性度量。通过生成的不确定性地图，可以识别出错误分割的图像区域，从而用于下游分析。该方法在视网膜图像分割方面具有可比或更好的性能，并且更加稳健抗噪声。

Sep, 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

提出一种名为MRC-Net的多分辨率上下文网络，其中采用多尺度特征提取技术以学习语义不同特征之间的上下文依赖性，并使用双向递归学习模型前者-后者和后者-前者之间的依赖性，在对前景分割进行对抗训练的基础上进行训练，以提高分割网络的性能，同时保持可比较低的可训练参数数量。该方法在DRIVE、STARE和CHASE三个基准数据集上表现优异，与现有的竞争方法相比具有更好的性能。

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

利用深度学习的现代生物医学图像分析经常面临有限的注释数据的挑战，为了克服这个问题，可以使用深度生成模型来合成逼真的生物医学图像。通过提供粗略的层次草图，训练的去噪扩散概率模型（DDPM）可以生成逼真的近视视网膜光学相干断层扫描图像。此外，通过知识适应可以获得更准确的伪标签，对分割任务非常有益。通过这一方法，我们观察到层次分割准确性的持续改善，并通过各种神经网络验证。此外，我们还发现，仅使用合成图像训练的层次分割模型可以达到与仅使用真实图像训练的模型相当的结果。这些发现展示了DDPM在减少人工注释视网膜光学相干断层扫描图像的需求方面的潜在潜力。

Nov, 2023

基于混合2D-3D卷积神经网络的创新框架可以从光学相干断层扫描(OCT)体积中获得连续的三维视网膜层面，并在全面和稀疏注释方面表现出卓越的性能，从而在体积的OCT图像中尝试三维视网膜层分割的首个工作。

Dec, 2023

通过使用Swin-Res-Net模型，该论文提出了一种改进视网膜血管分割的方法，提高了对显微血管的定位和分离能力，并在广泛使用的数据集上取得了出色的结果。

Mar, 2024

本文提出了一种轻量级网络，用于光学相干断层扫描图像的视网膜层分割，并通过多尺度特征提取和变换块对特征图的语义信息进行全面利用和全局推理能力的提升，并通过多尺度不对称注意（MAA）模块在每个编码器尺度上保留语义信息，实现了比当前最先进的TransUnet方法（具有105.7M参数）更好的分割效果，参数仅为3.3M。

Apr, 2024