基于深度学习技术的光学相干血管造影（OCTA）图像去噪、分割与体积渲染综述
图像与视频处理
2025-08-26 v2 计算机视觉与模式识别
摘要
光学相干血管造影（OCTA）是一种非侵入性成像技术，广泛用于研究视网膜和视层血管结构及微循环动力学。OCTA 因比染料血管造影更安全更快，同时保留对微尺度结构的表征能力，广泛应用于临床用于诊断眼部疾病并监测其进展。然而，OCTA 数据包含大量来自设备和采集协议的固有噪声，并存在各种类型 artifacts，导致诊断准确性和可重复性下降。深度学习（DL）基于的成像分析模型能够自动检测和去除 artifacts 和噪声，并提升图像数据质量。它也是实现图像中正常与病理结构检测与识别的强大工具。因此，通过 DL 方法处理 OCTA 数据的解释、测量和预测，可显著提升 OCTA 成像的价值。本文综述了过去五年中用于 OCTA 图像的 DL 模型文献。特别关注讨论 OCTA 数据的当前问题及相应 DL 模型的设计原则。我们还综述了用于 3D 体积重建视网膜血管网络和病理结构（如水肿和变形视盘）的 state-of-the-art DL 模型。此外，本综述在文末总结了公开的 OCTA 图像数据集。总体而言，本综述为工程师开发新型 DL 模型提供了有价值的见解，利用 OCTA 信号和图像的特性。本综述讨论的每种 DL 方法及其应用的优缺点，可帮助技术人员和临床医生选择合适的 DL 模型进行基础研究和疾病筛查。
引用
@article{arxiv.2502.14935,
title = {Denoising, segmentation and volumetric rendering of optical coherence tomography angiography (OCTA) image using deep learning techniques: a review},
author = {Kejie Chen and Guanbing Gao and Xiaochun Yang and Wenbo Wang and Jing Na},
journal= {arXiv preprint arXiv:2502.14935},
year = {2025}
}