改进基于深度学习的光学连贯性断层扫描血管图形的重建,由米U-Net进行
Kewei Zhang1, Zhilong Yan1, Xinyuan Cao1
1School of Electronics and Information Engineering, Soochow University, Suzhou, People's Republic of China.
Biomedical physics & engineering express
|October 28, 2025
概括
一个新的深度学习模型,SU-Net,通过更好地利用图像差异来改善光学连贯性断层扫描血管学 (OCTA) 图像重建. 这种方法减少了获取时间和运动文物,显示了临床应用的潜力.
科学领域:
- 生物医学成像技术 生物医学成像技术
- 医疗技术 医疗技术 医学技术
- 深度学习 (Deep Learning) 是一种深度学习.
背景情况:
- 光学连贯断层扫描血管造影 (OCTA) 是一种用于医疗应用的功能成像技术.
- 当前的OCTA算法需要重复B扫描,增加获取时间和运动文物.
- 现有的深度学习模型往往无法有效利用对OCTA图像生成至关重要的扫描间差异.
研究的目的:
- 开发一种新的深度学习模型,SU-Net,用于改进OCTA B扫描重建.
- 为了提高网络学习与血流相关的道间差异的能力,使用语架构和多分支坐标交叉注意力模块来提高网络的能力.
- 为了减少图像采集时间和OCTA成像中的运动工件.
主要方法:
- 拟议的SU-Net,将语架构和多分支坐标模块集成到U-Net框架中.
- 在人体皮肤的体内OCTA数据集 (来自8名志愿者的12个3D卷) 上评估了SU-Net.
- 在DnCNN,ResNet和DenseNet模型上研究了姆建筑的泛化.
主要成果:
- 与传统的深度学习方法相比,SU-Net展示了改进的OCTA B扫描重建,PSNR增长1.7%-3.8%,SSIM增长1.2%-6.4%.
- 在语增强网络中,SU-Net实现了最好的重建性能,PSNR为28.01,SSIM为0.813.
- 带有两个图像输入的SU-Net提供了与带有三个输入的U-Net相似的结果,将获取时间缩短了1.5倍.
结论:
- 拟议的SU-Net有效地学习了道间的差异,以便更好地重建OCTA.
- 整合语架构显著增强了基于深度学习的OCTA B扫描重建.
- 由于效率和图像质量的提高,SU-Net显示出临床OCTA应用的巨大潜力.
