- 基于光学相干断层扫描图像的不确定性估计提升基础模型的诊断可靠性
我们使用不确定性估计的基础模型来检测光学相干断层扫描（OCT）上的 11 种视网膜病变，模型在内部测试集上获得了 96.76% 的 F1 得分，在阈值策略下进一步提高至 98.44%；在其他 OCT 设备获取的外部测试集上，模型的准确率为 - 基于混合注意力结构的重建稀疏 OCT 图像网络
提出了一种混合注意力结构的网络 (HASPN) 来实现对非采样光学相干断层扫描图像的超分辨率恢复，以加快图像采集速度，并在糖尿病性黄斑水肿视网膜资料集上验证了其良好的泛化能力。
- 高效内存高分辨率 OCT 体积合成：基于级联摊销潜在扩散模型
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。
- 全自动基于 OCT 的组织筛查系统
本研究介绍了一种专用于高通量筛选应用的基于光学相干断层扫描（OCT）的影像系统，利用 OCT 非侵入性、高分辨率的能力，系统配备了一个定制的电动平台和组织检测功能，实现了样本之间自动、连续的成像。基于 Transformer 的深度学习分割 - 轻量级全局推理视网膜层分割
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 Tr - 光学相干断层扫描血管造影中视网膜特征的数量化表征
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 - 光学相干断层扫描图像的对比非配对图像转换的解剖条件
通过图像到图像（I2I）转换对不同模态的医学图像进行统一分析，解决因信息差异导致的非成对映射挑战。为了恢复语义一致性，本研究在对比学习非成对 I2I 转换（CUT）方法的基础上，通过额外的分割解码器支持风格解码器，提高样式转换图像与目标分布 - 利用视网膜 OCT 图像预测心血管疾病风险
通过自主学习的变分自编码器 (VAE) 在光学相干断层扫描 (OCT) 图像中学习低维表示，并结合参与者的人口统计学和临床数据，使用随机森林 (RF) 分类器来识别未来心血管疾病风险，其性能较 QRISK3 评分更优，证明视网膜 OCT 成 - 神经网络场分析气道 OCT
我们提出了一种名为 NeuralOCT 的学习方法，用于处理气道 OCT 图像，从而提取 2D 图像中的 3D 几何形状，并通过神经场从点云中进行 3D 重构，实验证明 NeuralOCT 可以产生准确且稳定的 3D 气道重建结果，平均 A - 基于空间感知 Transformer-GRU 框架的增强型青光眼诊断从 3D OCT 成像
提出了一种新颖的深度学习框架，基于 3D 光学相干断层扫描（OCT）成像进行自动青光眼检测，取得了优于现有方法的表现，为提高临床决策支持系统和改善青光眼管理患者预后提供了重要潜力。
- 多模型推理的导向专家混合去噪 OCT 图像
本研究引入了一种新型降噪算法，Block-Matching Steered-Mixture of Experts with Multi-Model Inference and Autoencoder (BM-SMoE-AE)，通过将 SMo - 光学相干断层扫描成像中的三维图像融合的时空照明模型
光相干断层扫描（OCT）是一种非侵入性的显微成像模式，已在眼科临床中成为标准。我们提出了一个新的照明模型，利用正交扫描体数据的连续性来减少照明伪影，优化了 OCT 图像重建中的三维逆模型。此方法在眼科病理数据的评估中显示在 88% 的数据中 - OCT-SelfNet: 用于广义和稳健视网膜疾病检测的自监督多模态数据框架
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 - Sub2Full: 利用分散光谱提高 OCT 去斑点技术，无需干净数据
提出了一种名为 Sub2Full (S2F) 的创新自监督策略用于光学相干断层扫描 (OCT) 去噪，无需干净数据，该方法在视觉光 OCT 视网膜图像上验证并展示了优于常规的 Noise2Noise 和 Noise2Void 方案的性能。
- OCTDL：用于基于图像的深度学习方法的光学相干断层扫描数据集
该研究使用光学相干断层扫描（OCT）技术，建立了一个开放数据集（OCTDL），其中包含 1600 多幅高分辨率 OCT 图像，针对疾病组和视网膜病理进行了标记。通过应用深度学习分类技术，对该数据集进行了疾病分类的研究。
- 可调节的高度近视筛查光相干断层扫描仪
本研究提出了一种名为 ARTran 的模型，用于高度近视的光学相干断层扫描（OCT）数据的筛查。通过引入可调整的类别嵌入（ACE）和移动子空间转换矩阵（SST），该模型能够适应不同条件下的筛查，并提供了不确定性评估的证据。实验证明了该方法的 - 利用片对片配准和重建的自监督 OCT 图像降噪
通过综合切片训练和注册模块的自监督学习框架进行的实验研究，旨在改善光学相干断层扫描成像中存在的强散斑噪声，从而提高定量分析的性能。
- 基于特征和像素的新颖 OCT 镶嵌管线
本文提出了一种多视图 OCT/OCTA 面投影图像拼接的通用流程，通过结合基于学习的特征匹配和健壮的基于像素的配准方法，有效地对齐多个图像。此外，我们还将基于训练的基础模型 Segment Anything Model (SAM) 的应用推 - OCT2Confocal: 基于 3D CycleGAN 的视网膜 OCT 图像到共聚焦显微镜的转换
应用 3D 循环 GAN 框架，无创生成视网膜共聚焦图像，从而进一步增强眼科诊断和监测能力。
- ELF：一种端到端的本地和全局多模态融合框架用于青光眼分级
我们提出了一种用于青光眼分级的局部和全局多模式融合框架（ELF），用于充分利用眼底和光学相干断层扫描（OCT）之间的互补信息，通过在多模态青光眼分级 GAMMA 数据集上进行的广泛实验，证实了 ELF 的有效性与其他最先进方法的比较。