光干渉断層血管造影（OCTA）は網膜微小血管をイメージングする強力な手法であるが、画像アーチファクトのため、網膜血流や非灌流領域の信頼性の高い定量化は困難である。既存の手法は主に断面または二次元en face投影におけるノイズ抑制、投影アーチファクト除去、信号強調に焦点を当てており、血管の本質的な三次元構造は無視されてきた。最近arXivに投稿された論文では、単一のOCTAボリュームから毛細血管の解剖学的血管構造を復元する深層学習ベースのアルゴリズムが提案されている。
このネットワークはEfficientNet-B5をエンコーダとして使用し、空間およびチャネルのsqueeze-and-excitationモジュールを組み込んだデコーダをスキップ接続で結合することで空間分解能を保持している。モデルは隣接する3つのBフレームを入力として、中央のBフレームの復元画像を予測する。研究チームは、ピーク信号対雑音比（PSNR）と構造類似性指数（SSIM）を用いてモデルの性能を評価し、複数回のスキャン平均から生成したグラウンドトゥルースと比較した。
その結果、提案モデルは元の単一OCTAボリュームと比較して画像品質を有意に向上させ（いずれもp < 0.001）、PSNRは22.23±0.78から26.16±1.26に、SSIMは0.72±0.03から0.91±0.02に改善した。さらに、モデル出力とグラウンドトゥルース間のDice係数の重なりで測定される微小血管の忠実度は、二次元および三次元の両方で有意に（p < 0.001）改善され、異なる血管スラブにおいて、二次元で少なくとも3.8%、三次元で少なくとも51.2%向上した。
この研究は、OCTA画像処理において三次元血管構造を考慮することの重要性を強調しており、提案された深層学習フレームワークは、網膜血流の定量化や非灌流領域の評価に対するより信頼性の高い画像基盤を提供する可能性がある。