近期，MILab在光学相干层析血管造影（OCTA，Optical coherence tomography angiography）重建算法方面取得新进展，研究成果形成研究论文《Rethinking the Neighborhood Information for Deep Learning-Based Optical Coherence Tomography Angiography》发表在国际学术期刊Medical Physics上。
OCTA属于OCT功能成像。该技术利用流动的血红细胞作为天然的造影剂，通过分析OCT散射信号的动态变化，剔除静态周围组织，以实现基于运动对比度的无标记血管造影。相较于传统的荧光血管造影，OCTA技术具有无创，扫描速度快，可层析成像等优良特性。因此，广泛应用于伴有血流异常、血管几何异常或缺血现象的眼科，心内科，内分泌科的疾病中。同时也可为神经科学提供脑血管形态学、血流量方面的信息，帮助理解脑血管与神经活动之间的关联及相关疾病的检测。
传统的OCTA算法主要分为基于相位变化的、基于振幅变化的、基于相位与振幅联合变化的三类成像算法。三类重建算法均基于解析运算进行设计，存在着一定的限制，算法性能无法得到显著提升。近年来，深度学习技术在OCTA重建算法领域得到快速发展，相关算法被陆续提出并取得了不错的重建表现，但这些算法都局限于从局部的连续B-scan图像中抽出血流信息，并没有充分利用到有价值的邻域信息（Neighborhood information，NI）。同时，网络均基于2D卷积单元进行搭建，没有对时间维度进行高效的建模。
在前期的研究工作基础上，MILab开展了基于邻域信息的深度学习OCTA算法研究。设计了一种基于邻域信息融合的伪3D U-Net（NI-P3D-U）用于OCTA重建，并将该网络分别嵌入全监督深度学习处理流程及弱监督深度学习处理流程，在活体动物数据集上通过交叉验证实验进行讨论和验证。为了证明NI-P3D-U的优秀性能，课题对比了一系列基于深度学习最新重建算法。结果表明提出的网络充分利用了邻域信息中所含有的血流信息并结合特有的时间维建模结构对实现血流图的高质量重建，在视觉及定量指标上均优于领域中现有的OCTA重建算法且对于不同训练策略的通用性（全监督及弱监督）。同时，领域信息融合还可以作为一种通用的策略用于加强其他基于深度学习的OCTA算法，具有进一步优化并用于临床实践的潜力。
图1. NI-P3D-U的基本处理流程
图2. NI-P3D-U的网络架构
图3. 提出的NI-P3D-U在全监督训练流程下的重建结果
图4. 提出的NI-P3D-U在弱监督训练流程下的重建结果
该论文的第一作者是MILab博士后姜喆，通讯作者是卢闫晔研究员。其他合作者还包括北京大学肿瘤医院孟祥溪助理研究员、任秋实教授，上海健康医学院周传清教授等人。该研究得到了北京自然科学基金（Z210008）、国家重点研发计划（2018YFE0114800）、深圳科技计划（1210318663）、国家重大科技基础设施建设等项目支持。
添加评论