不要担心间隙：用于分辨率无关性视网膜 OCT 分析的隐式神经表示
计算机视觉与模式识别
2026-03-13 v3
摘要
使用光学相干断层扫描（OCT）进行视网膜常规临床成像时，由于扫描间隙较大，导致图像高度各向异性且视网膜被稀疏扫描。大多数基于学习的方法通过使用2D方法来规避各向异性问题，而不是进行体积分析。这些方法本身存在风险，会生成相邻B扫描的不一致结果。例如，2D视网膜层分割可以在3D中产生不规则的表面。此外，通常使用的卷积神经网络受限于训练数据的分辨率，无法用于不同成像协议获取的图像。隐式神经表示（INR）最近作为存储体素化数据连续表示的工具而涌现。通过将坐标作为输入，INR是分辨率无关的，这使其可以应用于各向异性数据。在本文中，我们提出了两个框架，利用INR的这一特征进行视网膜OCT体积的稠密3D分析。1）通过纳入en-face模态的额外信息进行B扫描间插值，以帮助保持B扫描之间的相关结构。2）创建分辨率无关的视网膜丘脑，使其可以在无严格数据要求的情况下进行一般分析。这两种方法都利用可通用的INR，通过基于人群的训练改进视网膜形状表示，并允许对未见的情况进行预测。我们的方法独立于分辨率，促进了具有大B扫描间距的OCT图像分析，为视网膜结构和疾病的体积评估开辟了可能性。
引用
@article{arxiv.2601.02447,
title = {Don't Mind the Gaps: Implicit Neural Representations for Resolution-Agnostic Retinal OCT Analysis},
author = {Bennet Kahrs and Julia Andresen and Fenja Falta and Monty Santarossa and Heinz Handels and Timo Kepp},
journal= {arXiv preprint arXiv:2601.02447},
year = {2026}
}
备注
Accepted for publication at the Journal of Machine Learning for Biomedical Imaging (MELBA) https://melba-journal.org/2026:004