A label-free and data-free training strategy for vasculature segmentation in serial sectioning OCT data

串行切片光学相干断层扫描（sOCT）是一种高通量、无标记的显微成像技术，越来越受欢迎，用于研究死后神经血管结构。血管结构的定量分析需要高度准确的分割，但是sOCT具有低信噪比，并显示出一系列对采集参数有依赖的对比度和伪影。此外，标记数据很少，生成这些数据也非常耗时。在这里，我们利用合成血管数据集来训练深度学习分割模型。我们使用半逼真的样条线构造血管来模拟血管几何形态，并将我们的模型与通过约束构造优化生成的真实血管标签进行比较。虽然两种方法的Dice分数相似，但误检和漏检率却有很大不同。这种方法解决了OCT图像固有的复杂性，并为神经血管结构的更准确和高效的分析铺平了道路。

论文旨在解决sOCT图像的血管分割问题，因为其信噪比低，对比度和伪影因采集参数而异，且带标签的数据稀缺。

论文提出使用合成数据集训练深度学习模型以进行血管分割。使用半真实样条线构建合成血管，并将其与使用约束构造优化生成的真实血管标签进行比较。

实验结果表明，使用合成数据集训练的模型与使用真实血管标签训练的模型具有相似的Dice分数，但假阳性和假阴性率不同。这种方法为更准确和高效地分析神经血管结构铺平了道路。

最近的相关研究包括使用深度学习进行sOCT图像的血管分割，如“Deep learning-based segmentation of optical coherence tomography images for evaluating the anterior chamber angle”（基于深度学习的光学相干断层扫描图像分割，用于评估前房角度）。