基于参考的 OCT 血管造影超分辨率与可学习纹理生成

光学相干断层扫描血管造影（OCTA）是一种可视化视网膜微血管的新成像模态，已在临床中广泛采用。高分辨率 OCT 血管造影图对于定性及定量准确识别不同视网膜疾病的潜在生物标志物十分重要。然而，OCTA 的一个显著问题是在固定采集时间内，当视场增大时分辨率不可避免地下降。为解决此问题，我们提出一种新颖的基于参考的超分辨率（RefSR）框架，在扩大扫描区域的同时保持 OCT 血管造影图的分辨率。具体而言，来自常规 RefSR 流程的纹理被用于训练一个可学习纹理生成器（LTG），其设计用于根据输入生成纹理。所提方法与传统 RefSR 模型的关键区别在于，推理时使用的纹理由 LTG 生成，而非从单张参考图像中搜索。由于 LTG 在整个训练过程中得到优化，可用纹理空间显著扩大，不再局限于单张参考图像，而是扩展到训练样本中包含的所有纹理。此外，我们提出的 LTGNet 在推理阶段不需要参考图像，从而不受参考图像选择的影响。实验与视觉结果均表明，LTGNet 相对于 SOTA 方法具有更优的性能与鲁棒性，显示出在实际部署中的良好可靠性与前景。源代码将在录用后公开。