摘要
光学相干断层扫描血管造影（opticalcoherencetomographyangiography，OCTA）是一种基于OCT功能的新兴成像技术，是当前眼科、心脑血管和多种脏器的重要临床研究及应用工具。OCTA技术能够在非侵入和无需注射造影剂的情况下，区分毛细血管级的血流灌注与静态组织。其发展的重要趋势是通过更高清的成像技术来观察早期视网膜病变特征。现有的商业化OCTA设备成像的定位、优化和采集时间较长，极大地增加了设备采集难度和患者的负担。另一方面，若采用更加高速的OCT系统（如MHz级A扫描速度），也会大幅增加设备成本。 本文提出了一种全新的OCTA增强方法：通过增大视场来降低空间采样密度，获得低密度采样的OCTA；然后以高采样密度OCTA图像为目标，采用非配对（无监督）深度学习的方法，训练神经网络学习从低采样密度到高采样密度图像之间的特征映射；最后将低采样密度的OCTA图像直接输入训练好的神经网络以提升其空间分辨率。本文所提出的OCTA增强方法不仅有益于图像增强技术的发展，同时也为降低此类医疗设备成本提供了一个全新的解决方法，有助于将此种新兴医学诊疗方法向医疗资源匮乏的区域推广，提升全民健康水平。 为验证这一全新方法的可行性，本文主要开展了以下工作内容：建立了包含低密度采样和高密度采样两种模式的OCTA数据集；提出了一种基于深度学习的非配对图像增强网络SCGAN，并通过定性分析、定量分析和疾病图像的增强结果验证算法的可行性；引入了一种OCTA生物标志物的量化方法，证明了SCGAN的泛化性能和临床应用前景。
NETL