三维视网膜微血管在OCT血管成像中的恢复
提出一种基于深度学习的方法，从单次OCT血管成像（OCTA）体积中恢复毛细血管解剖结构，显著提升图像质量，并首次关注三维血管架构。
来源arXiv Computer Vision作者: Yukun Guo, Min Gao, Tristan T. Hormel, Steven T. Bailey, Thomas S. Hwang, Yali Jia
光学相干断层扫描血管成像（OCTA）是一种强大的视网膜微血管成像技术，能够无创地获取视网膜血流信息。然而，由于成像伪影的存在，可靠地量化视网膜血流和非灌注区域变得非常困难。现有的OCTA图像处理方法主要集中在噪声抑制、投影伪影去除或信号增强上，以改善横截面或二维（2D）正面投影的图像质量，但忽略了视网膜血管固有的三维结构。
针对这一问题，来自Yukun Guo等研究人员提出了一种基于深度学习的算法，旨在从单次OCTA体积中恢复毛细血管的解剖结构。该网络采用了EfficientNet-B5编码器，并结合了包含并发空间与通道挤压-激励模块（CSSE）的解码器，通过跳跃连接保持空间分辨率。网络以三个相邻的B帧作为输入，预测恢复后的中间B帧。
研究人员使用峰值信噪比（PSNR）和结构相似性指数（SSIM）评估模型性能，以多个扫描平均生成的地面真值为基准。实验结果表明，与原始单次OCTA体积相比，该模型显著提高了图像质量（p<0.001），PSNR从22.23±0.78提升至26.16±1.26，SSIM从0.72±0.03提升至0.91±0.02。此外，通过Dice系数评估的微血管保真度在2D和3D中均显著提升（p<0.001），在不同血管层中分别至少提升了3.8%和51.2%。
这项研究首次将OCTA图像恢复扩展到三维空间，为视网膜微血管的精确分析提供了新工具。论文于2026年6月提交至arXiv，相关代码和数据预计将公开发布，有望推动眼科影像诊断技术的进步。