基于光学相干断层血管成像的葡萄酒色斑细粒度分类
内容提要
本文介绍了多种基于光学相干断层扫描（OCTA）的血管分割方法，如SCF-Net、VET和OCTA-MTL。这些新方法在血管提取和图像质量上优于传统技术，提升了糖尿病视网膜病变的自动评估能力，推动了眼科图像分析的发展。
延伸解读
OCTA血管分割的技术演进
文章梳理了从SCF-Net到SSW-OCTA等多种OCTA血管分割方法。SCF-Net在ROSE数据集上表现优于传统方法；VET通过单次重复OCT扫描生成OCTA，将采集时间从约8秒缩短至约2秒，并提升图像对比度；OCTA-MTL利用多任务学习在ROSE-2数据集上取得卓越性能。这些进展显示OCTA图像质量与分割精度在持续提升。
数据效率与合成策略
针对深度学习对大量标注数据的依赖，文章提到基于空间殖民化的仿真方法能更快、更真实地合成OCTA图像，补足深度学习方法不足。同时，VET仅需一次重复OCT扫描即可生成OCTA，显著减少数据采集时间。这些策略有助于降低临床数据获取成本，推动OCTA技术更广泛应用。
多模态融合与临床应用
UW-OCTA技术结合多模态信息，通过跨模态融合框架诊断多种疾病，并构建了M3OCTA数据集验证其有效性。此外，OCTA已用于糖尿病视网膜病变的自动评估，优化的二维摘要和分类流程提供比三维分类更易解释的结果。生成式机器学习将视网膜层析成像转化为血管成像，有望绕过专用设备，展示出疾病诊断潜力。
Q&A
SCF-Net在血管分割中有什么优势？
SCF-Net在OCT-A中显示出优于传统方法和其他深度学习方法的血管分割性能。
VET方法如何提高OCTA图像的质量？
VET方法通过一次重复OCT扫描生成OCTA图像，缩短数据采集时间并提高图像对比度。
OCTA-MTL方法的特点是什么？
OCTA-MTL方法采用图像到DT分支和自适应损失组合策略，在ROSE-2数据集上表现出卓越的分割性能。
UW-OCTA技术的应用有哪些？
UW-OCTA技术结合多模态信息，推动眼科图像分析研究，能够诊断多种疾病。
如何通过OCTA技术评估糖尿病视网膜病变？
OCTA技术通过优化的二维摘要和分类流程，实现了糖尿病视网膜病变的自动评估。
生成式机器学习技术在视网膜成像中的潜力是什么？
生成式机器学习技术能够将视网膜层析成像转化为视网膜层析血管成像，显示出高潜力用于疾病诊断。
