本研究提出了MuTri框架，旨在改善光学相干断层扫描（OCT）到光学相干断层扫描血管造影（OCTA）图像的翻译效果。该框架通过向量量化变分自编码器进行预训练，并引入语义和血管结构对齐技术，实现了有效的OCT到OCTA映射。此外，研究还收集了第一个大规模数据集OCTA2024。

本研究提出了一种名为Freqformer的新型变换器架构，能够通过单次扫描高效可视化人类视网膜循环，解决OCTA信号噪声比低的问题，展现其在视网膜血管疾病诊断中的潜力。

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。

本研究解决了糖尿病视网膜病变（DR）早期检测工具缺乏有效数据支持的问题。通过收集和标注268幅视网膜图像，研究提供了一个可供研究人员和医生使用的OCTA数据集，便于开发自动化诊断工具。其主要发现将能够促进DR的早期诊断和治疗。

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。

本文介绍了一种基于深度学习的血管分割算法，采用 U-Net 网络，能够准确分割脉络膜区域并提取相关指标。研究提出的 VET 方法通过一次 OCT 扫描生成高质量的 OCTA 图像，显著缩短数据采集时间。同时，UOLO 框架实现了视网膜图像中视盘和黄斑的检测与分割，表现出优越性能。

本文介绍了一种新型OCTA分割方法（OCTA-MTL），通过多任务学习和自适应损失组合策略，在ROSE-2数据集上表现优异。此外，研究提出了基于VET的血管提取流程，能够快速生成高质量OCTA图像，提高诊断准确性。采用低秩适应技术的SAM-OCTA方法在局部血管分割上也取得了显著进展，展示了其在医学成像中的应用潜力。

本研究提出了一种利用一次重复OCT扫描生成OCTA图像的血管提取流程，使用Vasculature Extraction Transformer（VET）实现。VET提取的OCTA图像质量中等，对比度更高，数据采集时间缩短到2秒。VET在处理颈部和面部OCTA数据时优于SV和ED算法。该研究表明，VET能够从快速一次重复的OCT扫描中提取血管图像，有助于准确诊断患者。

我们提出了Polar-Net深度学习框架，通过将OCTA图像映射到极坐标系，结合ETDRS网格和临床信息，提高了AD检测性能，并与临床观察一致。在数据集评估中，Polar-Net表现优越，为视网膜血管变化与AD关联提供了病理证据。

该研究提出了一种利用一次重复OCT扫描生成OCTA图像的血管提取流程，使用VET实现。VET提取的OCTA图像具有更高的图像对比度和中等的质量，并将所需数据采集时间缩短到了大约2秒。

该研究提出了一种新的眼底图像无源主动域适应方法，可提高DR分级性能。实验结果表明，准确率提高了20.9%，加权kappa系数提高了18.63%。