OCTA-500: A Retinal Dataset for Optical Coherence Tomography Angiography Study
Nanjing University of Science and Technology（南京理工大学）
光学相干断层扫描血管造影（OCTA）是一种新型的成像方式，已被广泛用于眼科和神经科学研究，以观察视网膜血管和微血管系统。然而，公开可用的OCTA数据集仍然很少。在本文中，我们介绍了最大和最全面的OCTA数据集被称为OCTA-500，其中包含来自500名受试者的两个视场（FOV）下的OCTA成像。该数据集提供了丰富的图像和注释，包括两种模式（OCT/OCTA体积），六种类型的投影，四种类型的文本标签（年龄/性别/眼睛/疾病）和七种类型的分割标签（大血管/毛细血管/动脉/静脉/2D FAZ/3D FAZ/视网膜层）。然后，我们提出了一个多目标分割任务CAVF，它集成了毛细血管分割，动脉分割，静脉分割，FAZ分割在一个统一的框架下。此外，我们将3D到2D图像投影网络（IPN）优化为IPN-V2，以作为分割基线之一。实验结果表明，IPN-V2在CAVF任务上比IPN实现了约10%的mIoU改进。最后，我们进一步研究了几个数据集特征的影响：训练集大小，模型输入（OCT/OCTA，3D体积/2D投影），基线网络和疾病。数据集和代码可在https://ieee-dataport.org/open-access/octa-500上公开获得。
2022-12-25 cs.CV eess.IV
OCT2Confocal: 3D CycleGAN based Translation of Retinal OCT Images to Confocal Microscopy
University of Bristol（布里斯托尔大学）
针对视网膜OCT与共聚焦显微镜两种成像模态的优劣势互补需求，提出基于3D CycleGAN的无监督转换框架，在自建OCT2Confocal数据集上实现高精度转换，性能优于现有方法，有望提升眼科诊疗能力。
2024-02-17 cs.CV eess.IV
Uncertainty-Aware Multi-Source Retinal Fluid Segmentation in OCT
Newcastle University（新卡斯尔大学）
研究针对OCT中视网膜液分割问题，提出注意力引导的TransUNet，结合域自适应归一化与不确定性估计，能跨四个独立OCT源分割三种液体类型，平均液体Dice系数达0.78，可将分割图转化为临床分类信号。
2026-07-17 cs.CV eess.IV
Projective Skip-Connections for Segmentation Along a Subset of Dimensions in Retinal OCT
Medical University of Vienna（维也纳医科大学）
在医学成像中，存在临床相关的分割任务，其中输出掩模是到输入图像维度的子集的投影。在这项工作中，我们提出了一种新的卷积神经网络架构，可以有效地学习生成比输入图像更低维的分割掩码。该网络仅在输入空间维度的子集中恢复编码表示，并在其他维度中保持表示不变。新提出的投影跳跃连接允许链接的编码器和解码器在一个UNet的结构。我们评估了所提出的方法在视网膜光学相干断层扫描（OCT）的两个临床相关的任务：地图状萎缩和视网膜血管分割。所提出的方法优于当前最先进的方法上使用的所有OCT数据集，包括3D体积和相应的2D en-face掩模。所提出的架构填补了图像分类和ND图像分割之间的方法差距。
2021-08-02 cs.CV eess.IV
ROSE: A Retinal OCT-Angiography Vessel Segmentation Dataset and New Model
Cixi Institute of Biomedical Engineering, Ningbo Institute of Industrial Technology, Chinese Academy of Sciences（中国科学院宁波工业技术研究院慈溪生物医学工程研究所）；Inception Institute of Artificial Intelligence（起源人工智能研究院）；Keck School of Medicine, University of Southern California（南加州大学凯克医学院）；First Affiliated Hospital of Wenzhou Medical University（温州医科大学附属第一医院）；Southern University of Science and Technology（南方科技大学）；University of Liverpool（利物浦大学）
光学相干断层扫描血管造影术（OCT-A）是一种非侵入性成像技术，并且越来越多地用于以毛细血管水平分辨率对视网膜血管系统进行成像。然而，由于诸如低毛细血管可见性和高血管复杂性等各种挑战，OCT-A中的视网膜血管的自动分割一直未得到充分研究，尽管其在理解许多眼部相关疾病方面具有重要意义。此外，没有公开可用的OCT-A数据集，其中包含用于训练和验证的手动分级血管。为了解决这些问题，在视网膜图像分析领域，我们首次构建了一个专用的视网膜OCT-A分段数据集（ROSE），该数据集由229个OCT-A图像组成，其中包含中心线级别或像素级别的血管注释。该数据集已发布供公众访问，以帮助社区研究人员进行相关主题的研究。其次，我们提出了一种新的基于Split的粗到细血管分割网络（SCF-Net），具有分别检测粗血管和细血管的能力。在SCF网络中，首先引入基于分裂的粗分割（SCS）模块来产生血管的初步置信图，然后使用基于分裂的细化（SRN）模块来优化视网膜微血管的形状/轮廓。第三，我们对最先进的血管分割模型和我们的SCF网络在拟议的ROSE数据集上进行了全面评估。实验结果表明，我们的SCF网络在OCT-A中的血管分割性能优于传统方法和其他深度学习方法。
2020-12-09 cs.CV eess.IV
Deep learning achieves perfect anomaly detection on 108,308 retinal images including unlearned diseases
Tokyo Institute of Technology（东京工业大学）
光学相干断层扫描（OCT）扫描可用于检测各种视网膜疾病。然而，在世界大部分地区，没有足够的眼科医生可以诊断视网膜OCT图像。为了提供廉价和广泛的OCT筛查，自动诊断系统是必不可少的。尽管已经提出了许多机器学习技术来帮助眼科医生诊断视网膜OCT图像，但是没有技术可以在不依赖于眼科医生的情况下独立地进行诊断，即，没有一种技术不会忽视任何异常，包括未习得的疾病。只要有一种技术忽视疾病的风险，眼科医生必须仔细检查，即使是那些技术分类为正常的图像。在这里，我们展示了我们基于深度学习的二元分类器（正常或异常）在108，308个二维视网膜OCT图像上实现了完美的分类，即，真阳性率= 1.000000，真阴性率= 1.000000;因此，ROC曲线下面积= 1.0000000。虽然测试集包括三种类型的疾病，但其中两种没有用于训练。然而，所有测试图像都被正确分类。此外，我们证明了我们的方案能够应对患者种族的差异。没有常规方法实现上述性能。我们的工作有足够的可能性，使视网膜OCT图像的自动诊断技术从“眼科医生的助手”上升到“没有眼科医生的独立诊断系统”。
2020-07-19 cs.CV eess.IV
RetiFluidNet: A Self-Adaptive and Multi-Attention Deep Convolutional Network for Retinal OCT Fluid Segmentation
University of Isfahan（伊斯法罕大学）；Duke University（杜克大学）；Duke University Medical Center（杜克大学医学中心）
光学相干断层扫描（OCT）帮助眼科医生评估黄斑水肿，液体积聚和病变在显微镜分辨率。视网膜液体的定量对于OCT引导的治疗管理是必要的，其依赖于精确的图像分割步骤。由于视网膜液的手动分析是一项耗时、主观且容易出错的任务，因此对快速且强大的自动解决方案的需求日益增加。在这项研究中，提出了一种名为RetiFluidNet的新卷积神经架构，用于多类视网膜流体分割。该模型受益于纹理，上下文和边缘特征的分层表示学习，使用新的自适应双注意力（SDA）模块，多个自适应基于注意力的跳过连接（SASC）和一种新的多尺度深度自我监督学习（DSL）方案。SDA模块中的注意机制使模型能够自动提取不同级别的变形感知表示，并且引入的SASC路径进一步考虑了对应编码器和解码器单元级联的空间通道相互依赖性，从而提高了表示能力。RetiFluidNet还使用联合损失函数进行了优化，该函数包括骰子重叠的加权版本和基于边缘保留连接性的损失，其中多尺度局部损失的几个层次阶段被集成到优化过程中。该模型基于三个公开可用的数据集进行验证：RETOUCH，OPTIMA和DUKE，并与几个基线进行比较。实验结果证明了该模型在视网膜OCT流体分割中的有效性，并表明该方法比现有的最先进的流体分割算法更有效地适应各种图像扫描仪器记录的视网膜OCT扫描。
2022-12-14 cs.CV eess.IV
Fundus-Enhanced Disease-Aware Distillation Model for Retinal Disease Classification from OCT Images
The Hong Kong University of Science and Technology（香港科技大学）；Guangdong Provincial Hospital of Integrated Traditional Chinese and Western Medicine（广东省中西医结合医院）；Guangdong Weiren Meditech Co., Ltd（广东唯仁医疗科技有限公司）
针对OCT与眼底图像多模态框架需配对数据不切实际的问题，提出眼底增强疾病感知蒸馏模型（FDDM），通过类别原型匹配和相似性对齐在训练时将眼底模型信息蒸馏至OCT模型，测试时无需眼底图像，有效提升了视网膜疾病分类性能与临床实用性。
2023-08-01 cs.CV eess.IV
OCTCube-M: A 3D multimodal optical coherence tomography foundation model for retinal and systemic diseases with cross-cohort and cross-device validation
本文提出3D多模态OCT基础模型OCTCube-M，通过COEP框架整合多模态视网膜成像数据，在视网膜及系统性疾病预测和地理萎缩生长率评估中展现出卓越性能与临床应用价值。
2024-12-17 cs.AI cs.CV eess.IV
Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images
针对OCT图像视网膜水肿病变分割中边界模糊和噪声干扰等问题，提出可靠多尺度小波增强Transformer网络，通过集成小波特征提取与多尺度Transformer模块，并引入基于主观逻辑证据理论的不确定性分割头，在提升分割精度的同时实现了结果可靠性评估。
2024-01-02 cs.CV eess.IV
Calibrated Hybrid CNN-Transformer for Retinal OCT Classification
School of Computing, Newcastle University, UK（计算学院，新卡斯尔大学，英国）
研究针对视网膜 OCT 分类中模型置信度不可信问题，提出将混合卷积-Transformer 编码器与 XGBoost 分类头及临床安全层配对的方法，在四类 OCT 上达 95.4%准确率，显著降低校准误差，是首个联合验证三种安全机制的 OCT 分类器。
2026-07-14 cs.CV eess.IV
Simultaneous Alignment and Surface Regression Using Hybrid 2D-3D Networks for 3D Coherent Layer Segmentation of Retinal OCT Images with Full and Sparse Annotations
Xiamen University（厦门大学）；National Institute for Data Science in Health and Medicine, Xiamen University（厦门大学健康医疗大数据国家研究院）；Tencent YouTu Lab（腾讯优图实验室）；Southern University of Science and Technology（南方科技大学）
提出混合2D-3D CNN框架，通过空间变换耦合的双3D解码器同时完成B扫描对齐与视网膜层表面回归，并利用平滑损失支持全监督和稀疏标注半监督的3D相干分割。
2023-12-04 cs.CV eess.IV
SD-LayerNet: Semi-supervised retinal layer segmentation in OCT using disentangled representation with anatomical priors
Medical University of Vienna（维也纳医科大学）
光学相干断层扫描（OCT）是一种非侵入性的3D模式，广泛用于眼科视网膜成像。在OCT上实现自动的、解剖学上连贯的视网膜层分割对于检测和监测不同的视网膜疾病（如视网膜相关黄斑疾病（AMD）或糖尿病视网膜病变）是重要的。然而，大多数最先进的层分割方法都是基于纯监督的深度学习，需要大量昂贵且难以获得的像素级注释数据。考虑到这一点，我们将半监督范式引入视网膜层分割任务中，该任务利用了大规模未标记数据集以及解剖学先验中存在的信息。特别是，一种新的完全可微的方法被用于转换表面位置回归到一个逐像素的结构化分割，允许使用1D表面和2D层表示在一个耦合的方式训练模型。特别地，这些2D分割被用作解剖因素，其与学习的风格因素一起构成用于重建输入图像的解纠缠表示。同时，我们提出了一组解剖先验，以改善网络训练时，有限量的标记数据可用。我们在具有中间和湿AMD的真实扫描数据集上证明，当使用我们的完整训练集时，我们的方法优于最先进的技术，但更重要的是，当使用一小部分标记数据进行训练时，它大大超过了最先进的技术。
2022-07-01 cs.CV eess.IV
OCTDL: Optical Coherence Tomography Dataset for Image-Based Deep Learning Methods
Friedrich-Alexander-Universität Erlangen-Nürnberg（弗里德里希-亚历山大-埃尔朗根-纽伦堡大学）；Ural Federal University Named after the First President of Russia B. N. Yeltsin（俄罗斯首任总统B.N.叶利钦命名的乌拉尔联邦大学）；Ophthalmosurgery Clinic "Professorskaya Plus"（“Professorskaya Plus”眼科诊所）；Ural State Medical University（乌拉尔国立医科大学）
本文构建并开放了包含2000多张按疾病与病理标注、覆盖六类视网膜疾病的OCTDL数据集，并在其上应用深度学习分类方法。
2024-10-01 cs.CV cs.LG eess.IV
Alzheimer's Disease Classification Using Retinal OCT: TransnetOCT and Swin Transformer Models
Research Division AIT Resource Group Inc（AIT资源集团研究部）；Centre for Brain Research（脑研究中心）；Indian Institute of Science（印度科学研究所）
本文提出基于视网膜OCT图像的深度学习分类方法，其中TransNetOCT在五折交叉验证中最高达98.91%准确率，优于Swin Transformer的93.54%，用于阿尔茨海默病早期诊断。
2025-08-17 cs.AI cs.CV eess.IV
nnUNet RASPP for Retinal OCT Fluid Detection, Segmentation and Generalisation over Variations of Data Sources
Brunel University London（伦敦布鲁内尔大学）
视网膜光学相干断层扫描（OCT）是一种非侵入性的眼睛横截面扫描，具有视网膜解剖结构的定性3D可视化，用于研究视网膜结构和病原体的存在。视网膜OCT的出现改变了眼科学，目前它对于许多眼部病原体的诊断、监测和治疗至关重要，包括严重损害视力的黄斑水肿或可导致不可逆失明的青光眼。然而，视网膜OCT图像的质量因设备制造商而异。深度学习方法在医学图像分割领域取得了成功，但目前尚不清楚成功的程度是否可以在从不同设备供应商收集的OCT图像中推广。在这项工作中，我们提出了nnUNet的两个变体[8]。标准的nnUNet和增强的视觉调用nnUnet_RASPP（带有残差和Atrous空间金字塔池的nnU-Net），两者都是强大的，并且在来自多个设备供应商的图像中具有一致的高性能。该算法在MICCAI 2017 RETOUCH挑战数据集[1]上进行了验证，该数据集从3家医疗中心的3家器械供应商处获得，患者患有2种视网膜疾病类型。实验结果表明，我们的算法优于目前的国家的最先进的算法，通过一个明确的利润分割获得平均Dice分数（DS）的82.3%的3个视网膜液体得分84.0%，80.0%，83.0%，分别为视网膜内液（IRF），视网膜下液（SRF），和色素上皮脱落（PED）的测试数据集。此外，我们获得了100%的完美曲线下面积（AUC）评分，用于检测测试数据集上所有3种流体类别的流体存在。
2023-02-25 cs.CV cs.LG eess.IV
The Quest for Early Detection of Retinal Disease: 3D CycleGAN-based Translation of Optical Coherence Tomography into Confocal Microscopy
University of Bristol（布里斯托尔大学）
提出基于3D CycleGAN的无监督框架，将体内OCT转换为体外共聚焦显微镜图像，首次利用3D信息，引入OCT2Confocal数据集，实现高保真转换，优于现有方法。
2024-08-07 cs.CV eess.IV
MPG-Net: Multi-Prediction Guided Network for Segmentation of Retinal Layers in OCT Images
University of Oxford（牛津大学）；Big Data Institute, University of Oxford（牛津大学大数据研究所）；School of Engineering, Newcastle University（纽卡斯尔大学工程学院）；Neura Health Group；Newcastle Eye Centre, Royal Victoria Infirmary（纽卡斯尔皇家维多利亚医院纽卡斯尔眼科中心）；Newcastle University（纽卡斯尔大学）；Newcastle Upon Tyne, UK（泰恩河畔纽卡斯尔（英国））
光学相干层析成像（OCT）是一种常用的提取高分辨率视网膜信息的方法。此外，对自动视网膜层分割的需求日益增加，这有助于视网膜疾病的诊断。在本文中，我们提出了一种新的多预测引导注意力网络（MPG-Net）的自动视网膜层分割OCT图像。所提出的方法包括两个主要步骤，以加强U形全卷积网络（FCN）的区分能力，以实现可靠的自动分割。首先，在编码器中利用特征细化模块自适应地重新加权特征通道，以捕获更多信息的特征并丢弃不相关区域中的信息。此外，我们提出了一个多预测引导的注意力机制，提供逐像素的语义预测指导，以更好地恢复每个尺度的分割掩码。这种将深度监督转换为监督注意的机制能够在中间层之间引导具有更多语义信息的特征聚合。在公开的Duke OCT数据集上的实验证实了所提出的方法的有效性，以及比其他最先进的方法更好的性能。
2020-09-28 cs.CV cs.LG eess.IV
OCT segmentation: Integrating open parametric contour model of the retinal layers and shape constraint to the Mumford-Shah functional
University of Nottingham（诺丁汉大学）；Shenzhen University（深圳大学）；Wuhan University of Technology（武汉理工大学）；University of Leicester（莱斯特大学）
在本文中，我们提出了一种新的视网膜层边界模型的光学相干断层扫描（OCT）图像分割。视网膜层边界模型由表示OCT图像中的9个视网膜层的9个开放参数轮廓组成。首先定义了一个基于亮度的Mumford-Shah（MS）变分泛函来演化视网膜层边界模型，以同时分割9层。通过利用开放参数轮廓的法线，我们构造相等大小的相邻窄带，每个轮廓划分。因此，每个窄带中的区域信息可以被集成到MS能量泛函中，使得其优化对于不同的初始化是鲁棒的。一个统计先验也施加在形状的分割参数轮廓的功能。因此，通过最小化MS能量泛函，可以朝向视网膜层的真实边界驱动参数轮廓，同时保留轮廓相对于训练OCT形状的相似性。对实际OCT图像的实验结果表明，该方法对低对比度、高斑点噪声的低质量OCT图像具有较好的分割精度和鲁棒性，在分割OCT图像视网膜9层时，优于现有的基于测地线距离的方法。
2018-08-08 cs.CV
Modeling Disease Progression In Retinal OCTs With Longitudinal Self-Supervised Learning
Medical University of Vienna（维也纳医科大学）；Centre for Eye Research Australia（澳大利亚眼科研究中心）；Royal Victorian Eye and Ear Hospital（皇家维多利亚眼耳医院）；The University of Melbourne（墨尔本大学）
纵向成像能够捕捉静态解剖结构和因衰老或疾病进展而导致的形态学动态变化。自监督学习允许在没有任何专业知识的情况下从可用的大型未标记数据中学习新的表示。我们提出了一种深度学习自监督方法，通过纵向视网膜光学相干断层扫描（OCT）来模拟疾病进展。我们的自我监督模型通过学习估计从同一患者获得的扫描对之间的时间间隔，从通用的时间相关任务中受益。该任务（i）易于实现，（ii）允许使用不规则采样数据，（iii）容忍不良配准，以及（iv）不依赖于附加注释。这种新颖的方法学习一种只关注进展特定信息的表示，这种表示可以转移到其他类型的纵向问题。我们将学习的表示转移到临床高度相关的任务中，即基于单次OCT扫描在给定时间间隔内预测老年性黄斑变性晚期的发作。与从头开始学习或从传统任务转移的网络相比，预测准确性的提高表明，我们预先训练的自我监督表示学习了有临床意义的信息。
2019-10-24 cs.CV eess.IV
Demystifying Deep Learning Models for Retinal OCT Disease Classification using Explainable AI
BRAC University（BRAC大学）；Islamic University of Technology（伊斯兰技术大学）
在医疗诊断领域，各种深度学习技术的采用非常普遍且有效，当将其应用于视网膜光学相干断层扫描（OCT）领域时，其声明同样正确，但是（i）这些技术具有黑盒特征，阻止医学专业人员完全信任它们产生的结果（ii）这些方法的精确度的缺乏限制了它们在临床和复杂情况下的实施。（iii）OCT分类的现有工作和模型相当大且复杂，并且它们需要相当大量的存储器和计算能力，从而降低了实时应用中分类器的质量。为了解决这些问题，本文提出了一种自开发的CNN模型，该模型相对较小且更简单，并使用Lime，将可解释人工智能引入研究中，有助于提高模型的可解释性。这一增加将成为医学专家获取主要和详细信息的资产，并将帮助他们做出最终决策，还将减少传统深度学习模型的不透明性和脆弱性。
2021-11-06 cs.CV eess.IV
Comparisonal study of Deep Learning approaches on Retinal OCT Image
Khulna University of Engineering and Technology（库尔纳工程技术大学）
在医学科学中，计算机科学在疾病检测和诊断中的应用越来越普及。以前，疾病的检测通常需要大量的时间，并且不太可靠。最近生物医学研究中采用的机器学习（ML）技术正在通过更简洁的时间获得更高的准确性来实现革命性的变化。目前，在ML的帮助下，甚至可以从扫描图像中自动检测疾病。在本研究中，我们尝试从光学相干断层扫描（OCT）X射线图像中检测视网膜疾病。在这里，我们提出了一种基于深度学习（DL）的方法，用于从OCT图像中检测视网膜疾病，该方法可以识别视网膜的三种情况。四种不同的模型在这种方法中使用的相互比较。在测试集上，香草卷积神经网络（CNN）模型的检测准确率为98.00\%，Xception模型为99.07\%，ResNet50模型为97.00\%，MobileNetV2模型为99.17\%。MobileNetV2模型获得了最高的准确性，最接近最高的是Xception模型。所提出的方法对创建自动检测视网膜疾病的工具具有潜在的影响。
2019-12-16 cs.CV cs.LG eess.IV
Segmentation of Retinal Low-Cost Optical Coherence Tomography Images using Deep Learning
Institute of Medical Informatics, University of Lübeck（吕贝克大学医学信息学研究所）；University of Lübeck（吕贝克大学）；Graduate School for Computing in Medicine and Life Sciences, University of Lübeck（医学与生命科学计算研究生学院，吕贝克大学）；Medical Laser Center Lübeck（吕贝克医疗激光中心）；Department of Ophthalmology, University of Kiel（基尔大学眼科部门）；Institute of Biomedical Optics, University of Lübeck（吕贝克大学生物医学光学研究所）
本文提出使用深度学习方法对视网膜低成本OCT图像进行分割，通过CNN和CDAE提高分割精度并纠正伪影影响。
2026-03-11 cs.CV eess.IV
Robust Detection of Retinal Neovascularization in Widefield Optical Coherence Tomography
Casey Eye Institute, Oregon Health & Science University（俄勒冈健康与科学大学凯西眼科研究所）；Department of Biomedical Engineering, Oregon Health & Science University（俄勒冈健康与科学大学生物医学工程系）；Department of Ophthalmology, Mackay Memorial Hospital（马偕纪念医院眼科）；Department of Ophthalmology, Aichi Medical University（爱知医科大学眼科）
本文提出了一种基于宽场OCT/OCTA的新型方法，用于视网膜新生血管的诊断和分期，通过直接二分类定位任务实现自动化检测，提高了诊断准确率和分割精度。
2026-02-06 cs.CV eess.IV
Multi-Scale Convolutional Neural Network for Automated AMD Classification using Retinal OCT Images
University of Tehran（德黑兰大学）；Noor Ophthalmology Research Center, Noor Eye Hospital（努尔眼科研究中心，努尔眼科医院）；Henry Ford Health System（亨利·福特医疗系统）
视网膜相关性黄斑变性（AMD）是发达国家最常见的致盲原因，尤其是在60岁以上的人群中。近年来，该领域的专家和医疗保健系统的工作量增加，主要是由于全球人口老龄化的普遍性和AMD的慢性性质。深度学习的最新发展为开发全自动诊断框架提供了独特的机会。考虑到OCT图像中存在不同大小的AMD相关视网膜病变，我们的目标是提出一种多尺度卷积神经网络（CNN），能够使用不同大小的感受野区分病变。基于特征金字塔网络（FPN）结构设计了多尺度CNN，并用于诊断正常和干性和湿性AMD的两个常见临床特征，即玻璃疣和脉络膜新生血管（CNV）。该方法在Noor眼科医院（NEH）收集的国家数据集和UCSD公共数据集上进行了评估。实验结果表明，我们提出的多尺度结构优于几个著名的OCT分类框架的性能。这种特征组合策略在所有测试的骨干模型上都被证明是有效的，改进幅度从0.4%到3.3%不等。此外，渐进学习已被证明可以连续两个阶段提高绩效。在第一阶段，使用预训练的ImageNet权重将性能从87.2%+-2.5%提升到92.0%+-1.6%。在第二阶段，由于对UCSD数据集上的先前模型进行了微调，观察到性能从92.0%+-1.6%提升到93.4%+-1.4%。最后，生成热图为我们的多尺度结构的有效性提供了额外的证据，从而能够检测不同大小的视网膜病变。
2022-02-04 cs.CV eess.IV
Uncertainty-aware retinal layer segmentation in OCT through probabilistic signed distance functions
Informatics Institute, University of Amsterdam（阿姆斯特丹大学信息学研究所）；Amsterdam UMC（阿姆斯特丹大学医学中心）；Erasmus MC（伊拉斯姆斯大学医学中心）
提出概率 SDF 框架，通过水平集参数化视网膜层形状并以高斯分布建模不确定性，在 OCT 噪声失真场景下实现更鲁棒可靠的层分割。
2024-12-06 cs.AI cs.CV eess.IV
Enhanced SegNet with Integrated Grad-CAM for Interpretable Retinal Layer Segmentation in OCT Images
Albukhary International University（阿尔布哈里国际大学）
本研究提出一种改进的SegNet框架，结合混合损失函数与Grad-CAM可解释技术，在Duke OCT数据集上实现95.77%准确率、0.9446 Dice系数，实现高精度且可解释的视网膜层自动分割。
2025-09-09 cs.AI cs.CV eess.IV
Segmentation of Bruch's Membrane in retinal OCT with AMD using anatomical priors and uncertainty quantification
Medical University of Vienna（维也纳医科大学）
光学相干断层扫描（OCT）上的布鲁赫膜（BM）分割是诊断和随访年龄相关性黄斑变性（AMD）的关键步骤，AMD是发达国家致盲的主要原因之一。存在自动BM分割方法，但它们通常不考虑结果的解剖学一致性，也不提供关于预测置信度的反馈。这些因素限制了这些系统在现实世界场景中的适用性。考虑到这一点，我们提出了一种端到端的深度学习方法，用于AMD患者的自动BM分割。训练Attention U-Net以输出BM位置的概率密度函数，同时考虑表面的自然曲率。除了表面位置之外，该方法还估计分割输出的A扫描不确定性度量。随后，使用薄板样条（TPS）插值具有高不确定性的A扫描。我们测试了我们的方法与消融研究的内部数据集与138例患者涵盖所有三个AMD阶段，并实现了平均绝对定位误差为4.10微米。此外，将所提出的分割方法与最先进的方法进行了比较，并在来自不同患者队列和OCT器械的外部公开可用数据集上显示出优异的性能，证明了强大的泛化能力。
2022-10-30 cs.CV eess.IV
Sparse And Low Rank Decomposition Based Batch Image Alignment for Speckle Reduction of retinal OCT Images
University of Wisconsin-Milwaukee（威斯康星大学密尔沃基分校）
光学相干断层扫描（OCT）是生物医学成像领域的一项新兴技术，应用于眼科、皮肤科、冠状动脉成像等领域。由于基础物理学的原因，OCT图像通常会受到称为散斑噪声的颗粒图案的影响，这限制了解释过程。在这里，稀疏和低秩分解为基础的方法被用于在视网膜OCT图像中的斑点减少。该技术适用于由相同位置的若干B扫描组成的输入数据。下一步是使用基于稀疏和低秩分解的技术对图像进行批量对齐。最后，通过对处理后的数据的低秩分量进行中值滤波来创建去噪图像。与文献中用于OCT图像降噪的简单的基于配准的方法相比，图像的同时分解和对准导致更好的性能。
2015-02-09 cs.CV
ROCT-Net: A new ensemble deep convolutional model with improved spatial resolution learning for detecting common diseases from retinal OCT images
FaraAI Company（法拉人工智能公司）；University of Tehran（德黑兰大学）
光学相干断层扫描（OCT）成像是一种众所周知的技术，用于可视化视网膜层，并帮助眼科医生检测可能的疾病。对常见的视网膜疾病进行准确、早期的诊断，可以防止患者视力受到严重损害。计算机辅助诊断（CAD）系统可以显着帮助眼科医生改善他们的检查。本文提出了一种新的增强型深度集成卷积神经网络，用于从OCT图像中检测视网膜疾病。我们的模型通过采用两个强大的卷积模型的学习架构来生成丰富的多分辨率特征。空间分辨率是医学图像的一个关键因素，特别是OCT图像包含微小的关键点。为了增强我们的模型，我们将一个新的后架构模型应用到我们的集成模型中，以增强空间分辨率学习，而不增加计算成本。引入的后架构模型可以部署到任何特征提取模型，以提高利用率的特征地图的空间值。我们已经收集了两个开源数据集用于我们的实验，使我们的模型能够检测六种关键的视网膜疾病：视网膜相关黄斑变性（AMD），中心性浆液性视网膜病变（CSR），糖尿病视网膜病变（DR），脉络膜新生血管（CNV），糖尿病黄斑水肿（DME）和玻璃疣以及正常情况。我们在两个数据集上的实验以及将我们的模型与其他一些知名的深度卷积神经网络进行比较，证明了我们的架构可以将分类精度提高5%。我们希望我们所提出的方法创建CAD系统开发的下一步，并帮助未来的研究。本文的代码在https://github.com/mr7495/OCT-classification上共享。
2022-03-03 cs.CV cs.LG eess.IV
Retinal OCT Denoising with Pseudo-Multimodal Fusion Network
Vanderbilt University（范德堡大学）
光学相干断层扫描（OCT）是一种流行的视网膜成像技术。然而，它会受到乘性散斑噪声的影响，这会降低基本解剖结构（包括血管和组织层）的可见性。尽管对重复的B扫描帧求平均值可以显著提高信噪比（SNR），但这需要更长的采集时间，这可能会引入运动伪影并导致患者不适。在这项研究中，我们提出了一种基于学习的方法，利用信息从单帧嘈杂的B-扫描和伪模态，这是创建与自融合方法的帮助。伪模态为在嘈杂的B扫描中几乎不可感知的层提供良好的SNR，但可能过度平滑精细特征，例如小血管。通过使用融合网络，可以组合来自每个模态的期望特征，并且它们的贡献的权重是可调节的。基于强度和结构的评价结果表明，该方法能有效地抑制斑点噪声，增强视网膜各层之间的对比度，同时保留了视网膜的整体结构和小血管。与单一模态网络相比，该方法将低噪声B超图像的结构相似度从0.559 ± 0.033提高到0.576 ± 0.031。
2021-07-09 cs.CV eess.IV
Pathological OCT Retinal Layer Segmentation using Branch Residual U-shape Networks
University of Bern（伯尔尼大学）；RetinAI Medical GmbH（RetinAI Medical 公司）；Bern University Hospital（伯尔尼大学医院）
视网膜层结构的自动分割使得能够在OCT成像中随时间对眼部疾病进行临床相关的量化和监测。患有晚期疾病的眼睛尤其难以分割，因为它们的形状由于病理生物标志物而高度扭曲。在这种情况下，我们提出了一种新的全卷积神经网络（CNN）架构，它结合了不对称的U形配置中的扩张残差块，并可以分割多层高度病理性的眼睛在一个镜头。我们在晚期AMD患者的数据集上验证了我们的方法，并与其他最先进的方法相比，证明了更低的计算成本和更高的性能。
2017-07-16 cs.CV
Masked Image Modelling for retinal OCT understanding
University of Bern（伯尔尼大学）；Inselspital（因塞尔医院）
本文利用掩码自编码器在视网膜OCT图像上自监督预训练，获得通用表示，并在6个下游任务上验证其性能，同时扩展至多模态融合，提升应用效果。
2024-05-23 cs.CV
BreakNet: Discontinuity-Resilient Multi-Scale Transformer Segmentation of Retinal Layers
University of Pittsburgh（匹兹堡大学）
提出BreakNet多尺度Transformer模型，通过分层Transformer和卷积块提取多尺度特征，解决vis-OCT视网膜成像中血管阴影伪影导致的边界不连续问题，实现精确分割。
2024-08-26 cs.CV eess.IV
The Role of AI in Early Detection of Life-Threatening Diseases: A Retinal Imaging Perspective
Naif Arab University for Security Sciences（奈伊夫阿拉伯安全科学大学）；Charles Sturt University（查尔斯特大学）；Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）
本文综述视网膜影像结合AI技术在糖尿病、心血管等致命疾病早期检测中的进展，并提出标准化与临床整合路线图。
2025-05-27 cs.CV eess.IV
ReLaX: Retinal Layer Attribution for Guided Explanations of Automated Optical Coherence Tomography Classification
The Pingry School（平格里学校）；Chinle Comprehensive Health Care Facility（钦利综合医疗中心）；University of Maryland, College Park（马里兰大学帕克分校）；NVIDIA（英伟达）
每年有3000万次光学相干断层扫描（OCT）成像测试用于诊断各种视网膜疾病，但OCT扫描的准确诊断需要训练有素的眼科护理专业人员，他们仍然容易出错。有了更好的诊断系统，许多由视网膜疾病引起的视力丧失病例是可以完全避免的。在这项工作中，我们提出了ReLaX，这是一种新型的深度学习框架，用于对视网膜病变进行可解释的准确分类，达到了最先进的准确性。此外，我们强调生产模型的决策的定性和定量的解释。虽然以前的作品使用像素级的属性方法生成模型的解释，我们的工作使用一种新的视网膜层属性方法产生丰富的定性和定量的模型解释。ReLaX通过将热图与OCT分割模型相结合来确定每个视网膜层的重要性。我们的工作是第一次以这种方式对模型的预测进行详细的定量解释。准确性和可解释性的结合可以在临床上应用于可访问的、高质量的患者护理。
2022-10-01 cs.CV cs.LG eess.IV
Retinal OCT disease classification with variational autoencoder regularization
根据世界卫生组织的数据，全球有2.85亿人患有视力障碍。眼科诊断中最常用的成像技术是光学相干断层扫描（OCT）。然而，视网膜OCT的分析需要训练有素的眼科医生和时间，使得全面的早期诊断不太可能。最近的一项研究建立了一种基于卷积神经网络（CNN）的诊断工具，该工具是在视网膜OCT图像的大型数据库上训练的。该工具在分类视网膜疾病方面的表现与训练有素的医学专家不相上下。然而，这些网络的训练是基于大量的标记数据，这是昂贵的，难以获得。因此，本文描述了一种基于变分自编码器正则化的方法，该方法在使用有限数量的标记数据时提高了分类性能。这项工作使用了一个双路径CNN模型，将分类网络与自动编码器（AE）结合起来进行正则化。这背后的关键思想是在使用有限的训练数据集大小和少量患者时防止过度拟合。结果显示，与预训练和完全微调的基线ResNet-34相比，其分类性能优越。与疾病类别相关的潜在空间的聚类是不同的。用于OCT疾病分类的神经网络可以在用有限量的患者数据训练时受益于使用变分自编码器的正则化。特别是在医学成像领域，获得专家注释的数据是昂贵的。
2019-03-23 cs.CV
Multiclass segmentation as multitask learning for drusen segmentation in retinal optical coherence tomography
Medical University of Vienna（维也纳医科大学）
视网膜光学相干断层扫描（OCT）扫描中的玻璃疣自动分割与了解年龄相关性黄斑变性（AMD）风险和进展相关。该任务通常通过分别分割定义玻璃疣的顶部/底部解剖界面、视网膜色素上皮（OBRPE）的外边界和布鲁赫膜（BM）来执行。在本文中，我们提出了一种新的多解码器架构，解决玻璃疣分割作为一个多任务的问题。我们没有训练用于OBRPE/BM分割的多类模型，而是为每个目标类使用一个解码器，并针对层之间的区域使用额外的解码器。我们还引入了每个类特定分支和附加解码器之间的连接，以增加此代理任务的正则化效果。我们分别用166个早期/中期AMD Spectralis和200个AMD和对照Bioptigen OCT卷在私人/公共数据集上验证了我们的方法。我们的方法在层和玻璃疣分割评估中始终优于几个基线。
2019-07-24 cs.CV eess.IV
Unsupervised Denoising of Retinal OCT with Diffusion Probabilistic Model
Vanderbilt University（范德堡大学）
光学相干断层扫描（OCT）是一种流行的非侵入性成像方法，可提供视网膜的高分辨率体积可视化。然而，其固有的缺陷，斑点噪声，可以严重恶化组织的可见性在OCT。基于深度学习的方法已被广泛用于图像复原，但其中大多数需要一个无噪声的参考图像进行监督。在这项研究中，我们提出了一个完全无监督的扩散概率模型，从噪声而不是信号中学习。通过向自融合OCT b扫描添加一系列高斯噪声来定义扩散过程。然后，由马尔可夫链建模的扩散的反向过程提供了可调节的去噪水平。实验结果表明，该方法可以在简单的工作流程和少量训练数据的情况下显著提高图像质量。
2022-01-27 cs.CV
Application of Independent Component Analysis Techniques in Speckle Noise Reduction of Retinal OCT Images
University of Wisconsin-Milwaukee（威斯康星大学密尔沃基分校）
光学相干层析成像（OCT）是生物医学成像领域的一项新兴技术，在眼科、皮肤科、冠状动脉成像等领域有着广泛的应用。OCT图像通常会受到散斑噪声的影响，从而限制了图像的判读过程。因此，对散斑噪声减少技术的需要是非常重要的。据我们所知，独立分量分析（ICA）技术的使用从来没有被探索用于OCT图像的散斑抑制。在这里，几个ICA技术（InfoMax，JADE，FastICA和SOBI）的比较研究提供了视网膜OCT图像的降噪。具有相同位置的多个B扫描，使用刚性配准技术补偿眼睛运动。然后，不同的ICA技术被应用到B扫描的聚合集，用于提取无噪声图像。信噪比（SNR），对比度噪声比（CNR）和等效视数（ENL），以及对计算复杂性的方法的分析，被认为是比较的指标。结果表明，使用ICA是有益的，特别是在B扫描次数较少的情况下。
2015-07-28 cs.CV
Automatic Detection of Microaneurysms in OCT Images Using Bag of Features
University of Isfahan（伊斯法罕大学）；Isfahan University of Medical Sciences（伊斯法罕医科大学）
糖尿病视网膜病变（DR）是由糖尿病引起的视网膜血管改变引起的，并导致视力损害。微动脉瘤（MA）是DR的早期临床表现，及时诊断有助于DR的早期发现。已经观察到，与患有DR的眼睛中的视网膜外层相比，MA在视网膜内层中更常见。光学相干断层扫描（OCT）是一种非侵入性成像技术，其提供视网膜的横截面视图，并且近年来已用于诊断许多眼部疾病。因此，在本文中已尝试使用OCT图像从视网膜的正常区域识别具有MA的区域。这项工作是使用从20名DR患者的FA和OCT图像中收集的数据集完成的。在这方面，首先对荧光素血管造影（FA）和OCT图像进行配准。然后将MA和正常区域分离，并使用具有加速鲁棒特征（SURF）描述符的特征袋（BOF）方法提取每个区域的特征。最后，使用多层感知器网络进行分类过程。对于准确性、灵敏度、特异性和精密度的每个标准，获得的结果分别为96.33%、97.33%、95.4%和95.28%。利用OCT图像进行MAautomotomatic检测是一种新的思路，在这一领域的初步研究取得了可喜的成果。
2022-05-10 cs.CV eess.IV
Automatic detection and prediction of nAMD activity change in retinal OCT using Siamese networks and Wasserstein Distance for ordinality
Medical University of Vienna（维也纳医科大学）；Christian Doppler Laboratory for Artificial Intelligence in Retina（克里斯蒂安·多普勒视网膜人工智能实验室）
本文提出基于视觉Transformer的孪生网络和Wasserstein距离损失，用于检测和预测视网膜OCT中nAMD活动性变化，在MICCAI 2024 MARIO挑战赛中表现优异。
2025-01-24 cs.CV cs.LG eess.IV
Don't Mind the Gaps: Implicit Neural Representations for Resolution-Agnostic Retinal OCT Analysis
本文提出两种基于隐式神经表示的框架，用于解决视网膜OCT分析中因大间距B扫描导致的分辨率问题，通过插值和图谱构建实现分辨率无关的3D分析。
2026-03-12 cs.CV
Simultaneous Alignment and Surface Regression Using Hybrid 2D-3D Networks for 3D Coherent Layer Segmentation of Retina OCT Images
Xiamen University（厦门大学）；Tencent Jarvis Lab（腾讯天衍实验室）
视网膜层表面的自动分割是光学相干断层成像（OCT）分析中的重要问题，也是一个挑战。最近，许多基于深度学习的方法已经被开发出来，并产生了显着的性能。然而，由于OCT数据的B扫描之间存在较大的空间间隙和潜在的不匹配，所有这些都是基于单个B扫描的2D分割，这可能会丢失跨B扫描的连续性信息。此外，视网膜层的3D表面可以提供更多的诊断信息，这在定量图像分析中至关重要。在这项研究中，提出了一种新的框架的基础上混合2D-3D卷积神经网络（CNN），以获得连续的3D视网膜层表面OCT。单个B扫描的2D特征提取的编码器组成的2D卷积。然后，这些2D特征用于通过两个3D解码器产生对准位移场和层分割，这两个3D解码器经由空间Transformer模块耦合。整个框架都是端到端训练的。据我们所知，这是第一个尝试基于CNN的体积OCT图像中的3D视网膜层分割的研究。在公开数据集上的实验表明，我们的框架在层分割精度和交叉B扫描3D连续性方面都取得了优于最先进的2D方法的结果，从而提供了比以前的作品更多的临床价值。
2022-03-04 cs.CV eess.IV
Using CycleGANs for effectively reducing image variability across OCT devices and improving retinal fluid segmentation
Medical University of Vienna（维也纳医科大学）；Medical University Vienna（维也纳医科大学）
光学相干断层扫描（OCT）已成为眼科最重要的成像方式。最近，大量的研究致力于开发用于识别和量化OCT图像中的病理特征的机器学习（ML）模型。在ML模型必须处理的几个可变性来源中，一个主要因素是采集设备，它可以限制ML模型的泛化能力。在本文中，我们建议使用CycleGAN，一种无监督的非配对图像变换算法，来减少不同OCT设备（Spectralis和Cirrus）之间的图像变异性。这种方法的有用性进行了评估，在设置视网膜流体分割，即视网膜内囊样液（IRC）和视网膜下液（SRF）。首先，我们训练在用源OCT设备获取的图像上的分割模型。然后，我们对（1）源，（2）目标和（3）目标OCT图像的转换版本进行评估。所提出的转换策略显示IRC（SRF）分割的F1得分为0.4（0.51）。与传统的转换方法相比，这意味着F1得分增加了0.2（0.12）。
2019-01-25 cs.CV
QuaSI: Quantile Sparse Image Prior for Spatio-Temporal Denoising of Retinal OCT Data
Friedrich-Alexander-Universität Erlangen-Nürnberg（埃尔朗根-纽伦堡大学）；Massachusetts Institute of Technology（麻省理工学院）
光学相干断层扫描（OCT）能够对人类视网膜进行高分辨率和非侵入性的3D成像，但固有地受到斑点噪声的损害。本文介绍了一种新的分位数稀疏图像先验的B超OCT数据时空去噪算法。为了去除斑点噪声，同时保留图像结构的诊断相关性，我们实现了我们的ECOSI前通过中值滤波正则化加上一个Huber数据保真度模型在变分方法。为了有效的能量最小化，我们开发了一个交替方向的乘法器（ADMM）计划使用中值滤波的线性化。我们的时空方法可以同时处理单次B扫描和时间上连续的B扫描的去噪，以获得具有增强的信噪比的体积OCT数据。我们的算法基于4次B扫描，仅实现了与平均13次B扫描相当的性能，并且优于其他当前的去噪方法。
2017-03-08 cs.CV
Fused Detection of Retinal Biomarkers in OCT Volumes
University of Bern（伯尔尼大学）；University Hospital of Bern（伯尔尼大学医院）
光学相干断层扫描（OCT）是用于检测与视网膜疾病（如视网膜相关黄斑变性）相关的病理生物标志物的主要成像模式。在实践中，临床诊断和治疗策略与OCT体积中可见的生物标志物密切相关，识别这些生物标志物的能力在眼科药品的开发中起着重要作用。在这种情况下，我们提出了一种方法，自动预测生物标志物的OCT横截面中的存在，通过将信息从整个体积。我们通过添加双向LSTM来融合预测个体生物标志物的卷积神经网络的输出。因此，我们避免了使用逐像素注释来训练我们的方法的需要，而是提供细粒度的生物标志物信息。在416卷的数据集上，我们表明我们的方法在卷切片的生物标志物预测之间施加了一致性，并且我们的预测优于几种现有的方法。
2019-07-16 cs.CV cs.LG
Simultaneous column-based deep learning progression analysis of atrophy associated with AMD in longitudinal OCT studies
School of Computer Science and Engineering, The Hebrew University of Jerusalem（耶路撒冷希伯来大学计算机科学与工程学院）；The Alexander Grass Center for Bioengineering, The Hebrew University of Jerusalem（耶路撒冷希伯来大学亚历山大·格拉斯生物工程中心）；Hadassah Medical Center（哈达萨医疗中心）
提出一种基于列的同步深度学习流水线，用于在纵向OCT扫描对中同时检测和量化与干性AMD相关的视网膜萎缩变化，实验证明其准确率优于独立分类方法。
2023-07-31 cs.CV cs.LG eess.IV
Automated OCT Segmentation for Images with DME
本文提出了一种新的自动化系统，分割6视网膜下层的光学相干断层扫描（OCT）图像堆栈的健康患者和糖尿病性黄斑水肿（DME）患者。首先，使用维纳反卷积算法对OCT堆栈中的每个图像进行去噪，维纳反卷积算法使用新的基于傅立叶域的结构误差来估计加性斑点噪声方差。这种去噪方法使图像信噪比平均提高了12 dB。接下来，对去噪图像进行迭代多分辨率高通滤波算法，该算法在六个迭代步骤中检测七个视网膜下表面。然后将来自特定OCT堆栈的所有扫描的每个视网膜下层的厚度与手动标记的地面实况进行比较。所提出的系统使用自适应阈值去噪和分割每个图像，因此它是强大的破坏视网膜微结构由于DME。建议的去噪和分割系统具有1.2-5.8 $μm$和3.5-26 $μm$的平均误差分别为正常和异常图像与DME视网膜下表面的分割。对于视网膜下层厚度的估计，所提出的系统在正常和异常图像中分别具有0.2-2.5 $μm$和1.8-18 $μm$的平均误差。另外，异常图像中的平均内部视网膜下层厚度被估计为275 $μm (r=0.92)$，平均误差为9.3 $μm$，而异常图像中的外层的平均厚度被估计为57.4 $μm (r=0.74)$，平均误差为3.5 $μm$。所提出的系统可以用于跟踪DME在一段时间内的疾病进展。
2016-10-24 cs.CV
XOCT: Enhancing OCT to OCTA Translation via Cross-Dimensional Supervised Multi-Scale Feature Learning
University of California, Irvine, CA, USA（加州大学伊文斯顿分校）
XOCT框架结合跨维度监督与多尺度特征融合，实现层感知的OCT到OCTA转换，在OCTA-500数据集上显著提升en-face投影质量，增强OCTA可及性与诊断价值。
2025-09-09 cs.CV
3D Automatic Segmentation Method for Retinal Optical Coherence Tomography Volume Data Using Boundary Surface Enhancement
Tsinghua University（清华大学）
随着谱域光学相干断层扫描（SDOCT）的引入，与使用上一代时域OCT的可能性相比，通常会采集更大的图像数据集。因此，迫切需要开发用于处理这些数据的3D分割方法。本文提出了一种新的视网膜OCT体数据三维自动分割方法。简言之，为了分割边界表面，通过使用3D平滑滤波器和3D差分滤波器获得两个OCT体积数据集。然后计算它们的线性组合以生成具有增强边界表面的新体积数据，其中同时使用边界表面两侧的像素强度、边界位置信息和强度变化。接下来，从体数据的A扫描中检测初步的离散边界点。最后，表面光滑约束和动态阈值被施加到获得一个光滑的边界表面，通过纠正少量的错误点。我们的方法可以提取视网膜层的边界表面顺序与体积数据的搜索区域减少。我们进行了自动分割的8个人体OCT体积数据集采集从商业Spectralis OCT系统，其中每个体积的数据包括97 OCT图像的分辨率为496 512，实验结果表明，该方法可以准确地分割七层边界表面在正常以及一些异常的眼睛。
2015-08-05 cs.CV
Probabilistic Intra-Retinal Layer Segmentation in 3-D OCT Images Using Global Shape Regularization
University of Heidelberg（海德堡大学）；Heidelberg Engineering GmbH（海德堡工程有限公司）
随着谱域光学相干断层扫描（OCT）技术的引入，获取速度显著提高，快速、准确地分割三维OCT扫描图像变得越来越重要。本文提出了一种新的概率方法，模型的外观视网膜层以及全球形状变化的层边界。给定OCT扫描，使用变分方法近似推断分割的完整后验分布，从而在计算上易于处理的模型组件方面实现有效的概率推断：分割完整的3D体积需要大约一分钟。精确的分割证明了使用全局形状正则化的好处：我们分割了35个以中心凹为中心的3-D体积，平均无符号误差为2.46 $\pm$ 0.22 μm，以及80个正常和66个昏迷的2-D圆形扫描，误差分别为2.92 $\pm$ 0.53 μm和4.09 $\pm$ 0.98 μm。此外，我们利用推断的后验分布来评价分割的质量，指出潜在的错误区域，并区分正常和病理扫描。不需要预处理或后处理，我们对所有数据集使用相同的参数集，强调了我们方法的鲁棒性和开箱即用性。
2014-03-31 cs.CV
A deep learning framework for segmentation of retinal layers from OCT images
IIIT-Hyderabad（海得拉巴国际信息技术学院）
从光学相干断层扫描（OCT）体积分割视网膜层是任何计算机辅助诊断算法开发的基本问题。这需要预处理步骤，如去噪，感兴趣区域提取，平坦化和边缘检测，所有这些都涉及单独的参数调整。在本文中，我们探索了深度学习技术来自动化所有这些步骤并处理病理的存在/不存在。提出了一种由卷积神经网络（CNN）和长短期记忆（LSTM）的组合组成的模型。CNN用于提取感兴趣的图像层并提取边缘，而LSTM用于跟踪层边界。该模型使用最少的数据在正常和AMD病例的混合上进行训练。在三个公开数据集上的验证结果表明，使用我们的系统获得的像素级平均绝对误差为1.30 ± 0.48，低于标记间误差1.79 ± 0.76。我们的模型的性能也与现有的方法相当。
2018-06-22 cs.CV
LIFE: A Generalizable Autodidactic Pipeline for 3D OCT-A Vessel Segmentation
Vanderbilt University（范德堡大学）
光学相干断层扫描（OCT）是一种广泛应用于眼科的无创成像技术。它可以扩展到OCT血管造影术（OCT-A），其显示具有改进对比度的视网膜血管。最近的深度学习算法产生了有希望的血管分割结果;然而，由于缺乏手动注释的训练数据，3D视网膜血管分割仍然很困难。我们提出了一种基于学习的方法，该方法仅由名为局部强度融合（LIF）的自合成模态进行监督。LIF是直接从输入OCT-A计算的毛细血管增强体积。然后，我们构建局部强度融合编码器（LIFE），将给定的OCT-A体积及其LIF对应物映射到共享的潜在空间。LIFE的潜在空间具有与输入数据相同的维度，并且包含两种模态共有的特征。通过二值化该潜在空间，我们获得体积血管分割。我们的方法进行了评估，在一个人的中央凹OCT-A和三个斑马鱼OCT-A卷与手动标签。它在人类数据上的Dice得分为0.7736，在斑马鱼数据上的Dice得分为0.8594 +/- 0.0275，比现有的无监督算法有了显着的改进。
2021-07-09 cs.CV eess.IV
