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

通过对大规模的OCT数据集进行综合评估，本研究探索了基于Prompt的Segment Anything Model（SAM）在视网膜OCT扫描中的应用。我们展示了SAM在视网膜OCT扫描中作为一个强大的分割模型的效力，尽管在某些情况下仍然落后于其他成熟方法。研究结果突出了SAM的适应性和韧性，并展示了它作为视网膜OCT图像分析中有价值的工具，并为该领域的进一步发展铺平了道路。

Aug, 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

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

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OCTA血管结构多尺度性和图像质量差导致的噪声问题进行精准分割。我们提出了一种基于Mamba架构的新型U型网络OCTAMamba，集成了本地特征提取、捕获多尺度血管和去噪的模块。实验表明，OCTAMamba在多个数据集上表现优越，为OCTA分割提供了高效新参考。

Sep, 2024