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
内容提要
该文汇总多项OCT/OCTA研究，涵盖：建立OCTDL数据集并分类疾病；快速分割与OCTA自动评估糖尿病视网膜病变；利用VET从单次OCT扫描生成OCTA以缩短采集时间；校正运动伪影；拼接多视图图像；提出OCTA-MTL分割；自监督去散斑；仿真合成OCTA。
延伸解读
OCT/OCTA 技术进展概览
文章汇总了多项 OCT/OCTA 研究，展示了该领域在数据集构建、图像分割、血管造影生成、运动伪影校正、图像拼接、多任务分割、去散斑和仿真合成等方面的最新进展。这些技术共同推动了眼科诊断的自动化和精准化，例如 OCTDL 数据集为疾病分类提供基础，VET 方法将 OCTA 采集时间从约 8 秒缩短至约 2 秒。
临床应用的效率与质量平衡
研究显示，通过深度学习技术可以在保证图像质量的同时提升效率。例如，VET 从单次 OCT 扫描生成 OCTA 图像，虽然质量中等但对比度更高，且大幅缩短采集时间。OCTA-MTL 在分割任务中表现出优越性能。这些进展有助于减少患者不适和运动伪影，但需注意不同方法在质量和效率间的权衡。
技术挑战与未来方向
文章提到 OCT 成像存在散斑噪声和运动伪影等问题，研究者通过自监督学习和神经网络进行校正。此外，仿真合成 OCTA 可弥补深度学习数据不足。这些方法虽有效，但泛化能力和临床验证仍需进一步研究。公开评估工具和流程的提供促进了可重复性研究。
Q&A
OCTDL数据集是什么？它包含哪些内容？
OCTDL是一个开放的光学相干断层扫描（OCT）数据集，包含1600多幅高分辨率OCT图像，这些图像针对疾病组和视网膜病理进行了标记。该数据集用于通过深度学习分类技术进行疾病分类研究。
VET方法如何从单次OCT扫描生成OCTA图像？有什么优势？
VET（Vasculature Extraction Transformer）是一种血管提取流程，利用一次重复OCT扫描生成OCTA图像。它基于卷积投影，能更好地学习图像块之间的空间关系。与使用四次重复OCT扫描的SV-OCTA和ED-OCTA相比，VET提取的OCTA图像具有中等质量和更高的图像对比度，同时将数据采集时间从约8秒缩短到约2秒。在颈部和面部OCTA数据等挑战性区域，VET优于SV和ED算法。
如何校正OCT图像中的运动伪影？
可以使用基于深度学习的神经网络来校正OCT图像中的运动伪影。实验表明，该方法能有效校正运动伪影，恢复视网膜的整体曲率，并能推广到各种疾病和分辨率。
多视图OCT/OCTA图像拼接的流程是什么？
多视图OCT/OCTA面投影图像拼接的通用流程结合了基于学习的特征匹配和健壮的基于像素的配准方法，能有效对齐多个图像。此外，还采用无监督方式验证拼接结果，使用了基础模型Segment Anything Model (SAM)。该方法在准确性和计算效率上均表现出优越性能，并提供了评估工具和流程公开下载。
OCTA-MTL分割方法是什么？它有什么优势？
OCTA-MTL是一种基于多任务学习的新型OCTA分割方法，利用图像到DT（距离变换）分支和自适应损失组合策略。在ROSE-2数据集上，它表现出卓越的分割性能，优于单任务分割方法和使用固定损失组合的多任务分割方法。
如何合成OCTA图像以补充深度学习方法的不足？
采用基于空间殖民化的仿真方法和三个对比适应管道，可以更快、更真实地合成OCTA图像。这种方法表现出优异的性能，能更好地补足深度学习方法的不足。
