基于OCT三维图像精确视网膜层分割的AI流水线

来自多光谱动物成像系统的图像数据被用于解决两个问题：（a）配准因小鼠眼动引起的光学相干 tomography（OCT）图像中的振荡；（b）抑制厚血管/结构下方的阴影区域。针对每项任务测试了多种经典与基于AI的算法组合，以考察其与组合动物成像系统数据的兼容性。AI与光流结合后再进行单应性变换的混合法被证明可用于配准（相关系数>0.7）。Resnet50骨干网络在阴影区域检测上优于著名的U-net模型，损失值为0.9。一个易于实现的分析方程被证明可用于亮度处理，使平均像素值增加1%，零值数量减少77%。所提方程允许使用控制因子{\alpha}构建约束优化问题，以最小化零值数量和像素值标准差并最大化平均像素值。对于层分割，使用标准U-net模型。该AI流水线依次由CNN、光流、RCNN、像素处理模型和U-net模型组成。与人工标注标准数据相比，厚度估计过程有6%的误差。