本研究提出了一种基于卷积神经网络的半监督学习方法，利用光学相干断层扫描（OCT）技术实现视网膜疾病的自动识别，准确率高达99.8%。研究展示了在有限资源下有效检测眼部疾病的潜力，提升了临床诊断水平。

研究表明，光学相干断层扫描(OCT)生成的血管图像AI算法优于专家，且能缩短数据采集时间。新型OCTA分割方法和超广角成像技术推动了眼科图像分析的发展，具有良好的疾病诊断潜力。

本文探讨了深度学习和光学相干断层扫描技术在眼科疾病诊断中的应用，包括屈光不正预测、青光眼诊断和视网膜层分割。研究表明，深度生成模型和合奏学习机制能有效提高图像分析的准确性，尤其在数据有限的情况下表现出良好的性能和潜力。

本研究提出了一种基于卷积神经网络的半监督学习方法，利用光学相干断层扫描技术自动识别视网膜疾病，取得了良好效果。通过深度学习和超分辨率技术，改善眼科临床决策，克服有限注释数据的挑战。此外，研究介绍了新型超广角光学相干断层扫描血流成像技术，并构建了M3OCTA数据集，推动眼科图像分析的发展。

本文介绍了一个新的计算病理学数据集，包含头颈鳞癌患者的数字化图像，展示了染色方法的等效性。研究提出了建模肿瘤微环境对药物效应影响的方法，并验证了其优越性能。此外，介绍了基于光学相干断层扫描的影像系统，标志着组织筛选领域的重大进展，具有潜在的药物研发应用。

本研究提出了一种名为Sub2Full的自监督去噪策略，以改善光学相干断层扫描（OCT）图像中的散斑噪声。通过深度学习和超分辨率技术，提升了眼科临床决策的准确性。同时，开发了OCT-SelfNet框架，结合多数据集进行眼部疾病检测，显著提高了性能，展现了在临床应用中的潜力。

本研究利用深度学习模型提高光学相干断层扫描（OCTA）中血管分割的准确性和效率。通过合成数据集和改进的神经网络架构，提出了多种血管分割方法，并展示了其在小鼠和人类肾脏图像中的应用潜力。研究还探讨了机器学习在不同器官中的应用，为未来的血管分割奠定了基础。

本研究开发了一种基于光学相干断层扫描（OCT）的影像系统，专用于高通量筛选，具备自动成像和深度学习分割算法，能够有效评估组织对治疗的反应。这一全自动系统在药物研发中具有重要意义。

本文介绍了一种使用光学相干断层扫描和计算机视觉技术来检测和定位复合材料零件中的缝隙和重叠的新方法。通过比较相邻制带的边界并识别可能存在的缝隙或重叠，算法可以检测制造缺陷。结果显示该方法在缝隙和重叠分割方面具有高精度和高效率。