-Net:通过多尺度表示学习和动态位置指导进行视网膜OCTA图像拼接

科学领域:

• 眼科医生 眼科 眼科
• 医疗成像医学成像
• 计算机视觉 计算机视觉

背景情况:

• 光学连贯断层扫描血管造影 (OCTA) 对于分析视网膜血管疾病至关重要.
• 在OCTA中,有限的视野 (FOV) 限制了对大视网膜区域的分析.
• 现有的拼接算法与OCTA图像噪声,文物和密集的血管系统作斗争.

研究的目的:

• 开发一个新的深度学习网络,用于准确拼接OCTA图像.
• 克服当前合方法的局限性,以增强视网膜成像.
• 为了实现高分辨率,广泛的OCTA分析,以更好地评估疾病.

主要方法:

• 提出了一个新的视网膜OCTA图像拼接网络,集成多尺度表示学习和动态位置指导.
• 实现了一个图像注册网络,具有渐进的多分辨率功能融合.
• 引入了一个动态指导策略,用于骨无血管区 (FAZ) 定位和注册错误约束.
• 开发了一个图像融合网络,利用多个面具约束和相邻图像聚合 (AIA) 来消除文物.

主要成果:

• 拟议的网络有效地解决了在OCTA图像中的噪音,文物和密集的血管系统等挑战.
• 在重叠的区域实现了精确的船只对齐和文物消除.
• 与现有的图像拼接方法相比,表现出优越的性能.
• 产生了高质量的广场OCTA图像,具有高结构相似度指数 (SSIM) 评分 (0.8264和0.8014).

结论:

• 新型的OCTA拼接网络为OCTA成像中扩展视野提供了一个有前途的解决方案.
• 能够精确对准和融合相邻的OCTA扫描,从而获得高质量的广场图像.
• 通过检查更大的视网膜区域,促进视网膜血管疾病的更全面的分析.