光学相干断层扫描血管成像（OCTA）是一种用于对视网膜微血管系统进行成像的强有力技术，能够以非侵入方式观察眼底毛细血管层面的血流情况。然而，由于成像过程中不可避免的伪影，想要获得关于视网膜血流以及视网膜非灌注区域的可靠定量结果十分困难。现有方法大多集中在噪声抑制、投影伪影去除或信号增强等方向，目的是提升横截面或二维（2D）en face 投影图像的成像质量，但普遍忽略了血管本身固有的三维结构特征。
针对这一不足，来自 Yukun Guo 等六位作者的研究提出了一种基于深度学习的算法，能够从单次采集的 OCTA 体数据中恢复毛细血管的解剖学血管结构。该论文于 2026 年 6 月 3 日提交至 arXiv，编号为 2606.05375，归类于计算机视觉与人工智能相关领域。研究的核心思路是不再局限于二维层面去修补图像，而是直接面向三维血管架构进行重建。
在网络结构上，该模型采用 EfficientNet-B5 作为编码器，并使用一个集成了空间与通道并发压缩激励（concurrent spatial and channel squeeze-and-excitation）模块的解码器。编码器与解码器之间通过跳跃连接相连，以在重建过程中尽量保留空间分辨率，避免细节在深层网络中丢失。模型的输入为三个相邻的 B-frame，输出则用于预测位于中间位置的那个经过恢复的 B-frame，这种设计使模型能够利用相邻切片之间的连续信息来提升中间切片的成像质量。
在性能评估方面，研究团队采用峰值信噪比（PSNR）和结构相似性指数（SSIM）作为指标，并以多次扫描平均后生成的图像作为真值进行对比。结果显示，与原始的单次 OCTA 体数据相比，所提出的模型在两项指标上均有显著提升（p 值均小于 0.001）：PSNR 从 22.23 ± 0.78 提升至 26.16 ± 1.26，SSIM 则从 0.72 ± 0.03 提升至 0.91 ± 0.02。
除图像质量指标外，研究还通过模型输出与真值之间的 Dice 系数重叠度来衡量微血管的保真度。结果表明，在多个不同的血管分层（vascular slabs）上，该模型在二维和三维两个层面都显著（p < 0.001）改善了微血管保真度，提升幅度分别至少为 3.8% 和 51.2%。其中三维层面的提升尤为明显，这也印证了从三维血管架构入手进行恢复的价值，说明该方法不仅仅是改善了图像的外观质量，更实质性地还原了毛细血管的解剖结构。
总体而言，这项研究的意义在于为 OCTA 图像质量的提升提供了一条不同于传统噪声抑制和投影伪影去除的思路：通过深度学习模型从单个体数据出发，重建出更接近多次扫描平均结果的血管结构，从而有望为视网膜血流的可靠量化以及非灌注区域的准确识别提供更坚实的基础。论文同时提供了 PDF 版本以及多种文献检索与引用工具的链接，方便研究者进一步查阅与跟进。