OCTA（Optical coherence tomography angiography），即光学相干层析血管造影成像，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，以血红细胞与周围组织的相对运动作为血流的标记性特征，结合OCT成像技术在生物组织内部三维空间采集光学散射信号，通过分析散射信号的动态特性，识别动态血流，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，是一种崭新的非侵入式血管成像技术。OCTA技术可以克服许多荧光造影的不足之处，不需要注射荧光造影剂，扫描速度快，并且可以获得高分辨率的三维血管网络。因此，广泛应用于伴有血流异常（血管新生）、血管几何异常（扩张血管、动脉瘤）或缺血（毛细血管退缩）现象的眼科疾病中，同时也正在神经科学中发挥着重要作用，可提供脑血管形态学、血流量方面的信息，有助于理解脑血管与神经活动之间的关联，也有助于理解、诊断和检测脑损伤过程。
OCTA成像能力不仅受制于硬件设备的性能，也受到成像算法能力的影响。目前，OTCA成像算法依据血管信息的来源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，在图像重建过程中无法完整挖掘OCT信号的内在联系，造成在弱探测光条件下图像信噪比低、散斑影响大等一系列问题，导致临床诊断以及定量分析准确度下降。
33678新甫京国际品牌生物医学工程系任秋实课题组开展了基于深度学习的光学相干血管造影成像技术研究。在前期工作中，开创性地提出了基于深度学习的光学相干血管造影成像算法，即对特定深度卷积神经网络进行训练，以替代传统的血管造影算法（https://doi.org/10.1002/jbio.201900008）。进而，基于提出的算法框架，深入研究了4种重要的深度学习模型（单通路深度模型，多通路深度模型，U型结构深度模型及基于对抗生成的深度模型）对于OCTA重建任务的适配性及有效性，结合不同应用场景给出了深度模型的选择方案并初步探索了该技术的未来进阶方向（https://doi.org/10.1364/boe.387807）。相关成果先后于国际学术期刊Journal of Biophotonics及Biomedical Optics Express进行发表。
近期，课题组在该领域再度取得新进展，医学影像领域顶级期刊IEEE Transactions on Medical Imaging于2020年11月2日以长文（Regular Paper）形式在线发表了他们题为“Weakly Supervised Deep Learning Based Optical Coherence Tomography Angiography”的研究论文（https://doi.org/10.1109/TMI.2020.3035154），第一作者为任秋实课题组博士后姜喆。该工作提出一种新型的弱监督深度学习OCTA重建算法框架，基于该框架，可以在无需额外提供高质量OCTA标签图像的前提下，实现高效训练网络，获得足以媲美监督深度学习OCTA重建算法的高质量重建图像，为解决标签数据来源问题，以及面向临床需求的问题提出了新的解决方案。
图1. 弱监督深度学习OCTA重建算法框架
研究团队分别利用SD大鼠脑部血管造影数据和健康人眼数据对弱监督深度学习OCTA重建算法框架进行验证。提出的弱监督学习模型在SD大鼠数据集上展示了足以媲美基于高质量标签的监督学习算法的重建质量。不论是在噪声水平、对比度还是血管连续性上，均要明显好于目前最好的解析算法SSAPGA及基于低质量标签的监督学习算法，展现出良好的图像对比度和低散斑噪声水平。进一步，研究团队在人眼数据集上印证了在动物实验数据上得到的结论。这使得提出的弱监督学习算法具备了很好的临床应用前景。
图2. 弱监督深度学习OCTA重建算法及对照方法在SD大鼠数据上的重建结果
图3. 弱监督深度学习OCTA重建算法及对照方法在人眼数据上的重建结果
上述三项工作的第一署名单位均为33678新甫京国际品牌，主要与德国埃尔朗根纽伦堡大学计算机系模式识别实验室的卢闫晔研究员合作完成。其他合作者还包括深圳湾实验室刘刚军研究员、周传清研究员，河北大学的杨昆教授，以及德国埃尔朗根纽伦堡大学的Andreas Maier教授。上述研究得到了国家自然科学基金（81421004，61875123）、国家重大科研仪器研制项目（2013YQ030651）、深圳科技计划（1210318663）及河北省自然科学基金（H2019201378）的经费支持。
任秋实教授课题组33678新甫京国际品牌分子影像实验室（www.milab.wiki）立足于医学影像研究领域，研究内容贯穿分子影像设备研发、活体成像和转化应用、影像数据分析处理的全过程，聚焦于多模态成像技术与人工智能、眼科光学成像和分子影像应用等具体问题。
