论文标题：IPN-V2 and OCTA-500: Methodology and Dataset for Retinal Image Segmentation 论文链接：https://arxiv.org/abs/2012.07261 代码链接：https://github.com/chaosallen/IPNV2_pytorch 作者单位：南京理工大学, 南京医科大学第一附属医院

本文提出视网膜血管新网络：IPN-V2，性能优于UNet 3+等网络，并提出了一个新的多模态数据集，称为OCTA-500，超过360K图像，约为80GB，据称这是目前最大的OCTA数据集。代码和数据集现已开源！

光学相干断层扫描血管造影（OCTA）是一种新颖的成像方式，可实现微米级分辨率来呈现视网膜血管的三维结构。在我们以前的工作中，提出了一种3D到2D图像投影网络（IPN），用于OCTA图像中的视网膜血管（RV）和小凹性无血管区（FAZ）分割。其优点之一是分割结果直接来自原始volumes，而无需使用任何投影图像和视网膜层分割。在这项工作中，我们提出了图像投影网络V2（IPN-V2），通过添加平面感知器来扩展IPN，以增强水平方向的感知器能力。我们还提出IPN-V2+，作为IPN-V2的补充，通过引入全局再训练过程来克服“棋盘效应”。此外，我们提出了一个新的多模态数据集，称为OCTA-500。它包含500个主题，具有两种视场（FOV）类型，包括OCT和OCTA卷，六种类型的投影，四种类型的文本标签和两种类型的像素级标签。数据集包含超过360K图像，大小约为80GB。据我们所知，它是目前最大的OCTA数据集，具有丰富的信息。最后，我们对OCTA-500数据集上IPN-V2的性能进行了彻底的评估。实验结果表明，我们提出的IPN-V2在RV分割和FAZ分割方面比IPN和其他深度学习方法表现更好。

内容中包含的图片若涉及版权问题，请及时与我们联系删除