深度学习提升OCT成像速度与对比度
摘要
研究提出一种基于改进U-Net架构的深度学习方法，用于光谱域光学相干断层扫描（SD-OCT）图像重建。该方法通过视觉状态空间模型，从高速采集的低信噪比数据中合成高信噪比（SNR）的OCT和OCTA图像。评估采用多尺度结构相似性指数（MS-SSIM）和对比噪声比（CNR），结果显示视网膜各层对比增强、边界更清晰，并成功恢复内/外层视网膜微血管及脉络膜等精细结构。
信息来源： PubMed Ophthalmology 发布于 2026年2月1日
要点速览
- 研究提出基于改进U-Net的深度学习方法，用于提升SD-OCT系统的成像速度与灵敏度。
- 该方法采用视觉状态空间模型，从高速采集数据中合成高信噪比OCT和OCTA图像。
- 评估使用MS-SSIM和CNR指标，结果显示视网膜层间对比增强、微血管和脉络膜结构成功恢复。
本站解读
这项研究的核心成果是：用深度学习‘补足’了硬件短板——在不增加多个光谱仪的前提下，让SD-OCT同时实现高速采集和高灵敏度成像。它不是靠堆硬件，而是靠算法重建出高信噪比的OCT和OCTA图像，关键指标如MS-SSIM和CNR被明确用于验证效果，说明方法有量化支撑；但摘要未提样本量、临床数据来源或人体试验阶段，属于方法学验证研究，尚未进入真实诊室环境测试。
短期内难以改变临床操作，因为算法需嵌入现有OCT设备并完成医疗器械注册，涉及软硬协同验证与监管审批。论文展示的是原理可行性和图像质量提升，离医生日常调参数、判读报告还有距离。国内情况有待确认。
普通人无需因此调整检查频率或方式。OCT本身是无创检查，这项技术未来若落地，患者只会感受到更快的扫描过程和更清晰的图像，但不会改变检查必要性或结果解读逻辑。如有疑虑可咨询眼科医生。
常见问题
这个新技术能让我的眼底照得更快更清楚吗？
是的，研究证实该深度学习方法能在保持高速采集的同时，重建出更高对比度、更清晰的OCT和OCTA图像，包括视网膜层边界和微血管等细节。但该技术目前处于算法验证阶段，尚未集成到商用设备中，实际临床应用还需完成工程适配和监管审批。如有疑虑可咨询眼科医生。
以后做OCT检查会不会不用等那么久了？
理论上会。该方法突破了传统SD-OCT‘提速就降质’的限制，允许设备以更高速度采集数据，再由AI重建高质量图像。这意味着未来检查时间可能缩短，但当前仍依赖设备厂商将算法整合进产品并完成认证。目前常规OCT检查流程不受影响。如有疑虑可咨询眼科医生。
延伸阅读
空间偏移OCT提升深层成像对比度
研究提出一种空间偏移光学相干断层扫描（SO-OCT）技术，通过横向错开照明与探测光路，优先采集来自更深层组织的散射光。该方法结合多偏移量与多曝光时间采集，并采用定制的‘加权均方根’融合算法，显著增强深层结构对比度，同时保持浅层结构保真度。在光学模型中实现最高10倍对比噪声比（CNR）提升，活体组织中达3倍提升。
深度学习辅助OCT评估低强度激光治疗对伤口刚度的影响
该研究利用660 nm低强度激光治疗（LLLT）作用于伤口部位，结合光学相干断层扫描（OCT）与气流压痕系统，非接触式测量皮肤刚度变化。研究采用U-Net模型自动分割OCT图像，分割准确率达92%，从而实现分层定量分析。结果显示，LLLT治疗后皮肤刚度显著降低，提示其可急性调节伤口组织的生物力学环境。
SC-MSDNet提升OCT图像分类泛化能力
研究针对现有视网膜OCT分类模型在不同成像条件下泛化能力差的问题，提出空间一致性多视角自蒸馏网络（SC-MSDNet）。该方法将卷积特征按深度方向划分为水平条带，并在每个区域强制跨视角特征一致性，使深度方向的特征连贯性成为显式优化目标，而非事后解释工具。