Simulation-Based Segmentation of Blood Vessels in Cerebral 3D OCTA Images

在小鼠脑部三维血管光学相干断层扫描图像中分割血管是进行神经血管疾病（如中风或阿尔茨海默病）对血管网络影响的体内定量分析的基础。然而，为了使用最先进的深度学习方法准确地分割血管，需要大量的体素级注释。由于脑部三维血管光学相干断层扫描图像通常受到伪影的困扰，通常具有较低的信噪比，因此获取手动注释是一项特别繁琐和耗时的任务。为了减轻对手动注释的需求，我们提出利用合成数据来监督分割算法。为此，我们从血管图中提取补丁，并通过模拟最主要的三维血管光学相干断层扫描图像伪影，将其转化为与其匹配的地面实况标签的合成脑部三维血管光学相干断层扫描图像。在广泛的实验中，我们证明了我们的方法取得了竞争性的结果，实现了无需注释的脑部三维血管光学相干断层扫描图像血管分割。

提高神经血管网络分割的自动化程度，减少手动标注的工作量。

利用合成数据来监督分割算法，避免需要大量的手动标注。

论文提出了一种利用合成数据进行神经血管分割的方法，实验结果表明该方法具有竞争力，能够实现无需手动标注的分割。使用了murine cerebral 3D OCTA数据集，开源了代码。

最近的相关研究包括："Deep learning for segmentation of optical coherence tomography angiography: A review"，"Automatic segmentation of retinal blood vessels in optical coherence tomography angiography"等。