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

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

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

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

该研究介绍了一种新型的超广角光学相干断层扫描血流成像技术（UW-OCTA），并提出了一种跨模态融合框架，可以利用多模态信息诊断多种疾病。通过构建M3OCTA数据集，该方法在固定和可变模态设置下证明了其有效性和卓越性能，旨在推动眼科图像分析领域的研究。

Nov, 2023

该研究通过使用生成式机器学习技术将视网膜层析成像转化为视网膜层析血管成像，从而有可能绕过使用专门的层析血管成像设备的需求，该方法利用了生成式对抗网络框架，研究验证了转化后图像的质量，并通过对比原始图像评估了新型图像的可行性，结果表明该方法对于疾病诊断有很高的潜力，特别是通过使用血管特征来检测疾病。

Apr, 2024

使用Swin-Transformer和可变形卷积的SSW-OCTA模型，成功分割了光学相干断层扫描血管造影图像中富有复杂形状的视网膜结构，并在OCTA-500数据集上达到了最先进的性能水平。

Apr, 2024

本研究针对现有光学相干断层扫描（OCT）模型仅考虑2D图像切片的问题，提出了一种基于3D结构的OCTCube模型。该模型预训练于26,605个3D OCT体积，展示出在多项任务上的优越性能，特别是在跨设备预测和系统性疾病诊断方面，具有强大的泛化能力。OCTCube的成功为基于人工智能的视网膜疾病诊断开辟了新路径。

Aug, 2024