This paper presents a robust and fully automatic filter-based approach for retinal vessel segmentation. We propose new filters based on 3D rotating frames in so-called orientation scores, which are functions on the Lie-group domain of positions and orientations [Formula: see text]. By means of a wavelet-type transform, a 2D image is lifted to a 3D orientation score, where elongated structures are disentangled into their corresponding orientation planes. In the lifted domain [Formula: see text], vessels are enhanced by means of multi-scale second-order Gaussian derivatives perpendicular to the line structures. More precisely, we use a left-invariant rotating derivative (LID) frame, and a locally adaptive derivative (LAD) frame. The LAD is adaptive to the local line structures and is found by eigensystem analysis of the left-invariant Hessian matrix (computed with the LID). After multi-scale filtering via the LID or LAD in the orientation score domain, the results are projected back to the 2D image plane giving us the enhanced vessels. Then a binary segmentation is obtained through thresholding. The proposed methods are validated on six retinal image datasets with different image types, on which competitive segmentation performances are achieved. In particular, the proposed algorithm of applying the LAD filter on orientation scores (LAD-OS) outperforms most of the state-of-the-art methods. The LAD-OS is capable of dealing with typically difficult cases like crossings, central arterial reflex, closely parallel and tiny vessels. The high computational speed of the proposed methods allows processing of large datasets in a screening setting.

Optical Coherence Tomography Angiography (OCTA) is a non-invasive imaging technique that has been increasingly used to image the retinal vasculature at capillary level resolution. However, automated segmentation of retinal vessels in OCTA has been under-studied due to various challenges such as low capillary visibility and high vessel complexity, despite its significance in understanding many vision-related diseases. In addition, there is no publicly available OCTA dataset with manually graded vessels for training and validation of segmentation algorithms. To address these issues, for the first time in the field of retinal image analysis we construct a dedicated Retinal OCTA SEgmentation dataset (ROSE), which consists of 229 OCTA images with vessel annotations at either centerline-level or pixel level. This dataset with the source code has been released for public access to assist researchers in the community in undertaking research in related topics. Secondly, we introduce a novel split-based coarse-to-fine vessel segmentation network for OCTA images (OCTA-Net), with the ability to detect thick and thin vessels separately. In the OCTA-Net, a split-based coarse segmentation module is first utilized to produce a preliminary confidence map of vessels, and a split-based refined segmentation module is then used to optimize the shape/contour of the retinal microvasculature. We perform a thorough evaluation of the state-of-the-art vessel segmentation models and our OCTA-Net on the constructed ROSE dataset. The experimental results demonstrate that our OCTA-Net yields better vessel segmentation performance in OCTA than both traditional and other deep learning methods. In addition, we provide a fractal dimension analysis on the segmented microvasculature, and the statistical analysis demonstrates significant differences between the healthy control and Alzheimer's Disease group. This consolidates that the analysis of retinal microvasculature may offer a new scheme to study various neurodegenerative diseases.

Patients with fractures of the proximal humerus often local complications and failures attributed to osteoporosis. Currently, there is a lack of straight forward screening methods for assessing the extent of local osteoporosis in the proximal humerus. This study utilizes machine learning techniques to establish a diagnostic approach for evaluating local osteoporosis by analyzing the patient's demographic data, bone density, and X-ray ratio of the proximal humerus.

Optical coherence tomography angiography (OCTA) plays a crucial role in quantifying and analyzing retinal vascular diseases. However, the limited field of view (FOV) inherent in most commercial OCTA imaging systems poses a significant challenge for clinicians, restricting the possibility to analyze larger retinal regions of high resolution. Automatic stitching of OCTA scans in adjacent regions may provide a promising solution to extend the region of interest. However, commonly-used stitching algorithms face difficulties in achieving effective alignment due to noise, artifacts and dense vasculature present in OCTA images. To address these challenges, we propose a novel retinal OCTA image stitching network, named MR

Optical Coherence Tomography Angiography (OCTA) is a novel, non-invasive imaging modality of retinal capillaries at micron resolution. While OCTA generates 3D image volumes, current analytic methods rely on 2D en face projection images for quantitative analysis. This obscures the 3D vascular geometry and prevents accurate characterization of retinal vessel networks. In this paper, we have developed an automated analysis framework that preserves the 3D geometry of OCTA data. This framework uses curvelet-based denoising, optimally oriented flux (OOF) vessel enhancement and projection artifact removal, as well as the generation of 3D vessel length from the Hamilton-Jacobi skeleton. We implement this method on a dataset of 338 OCTA scans from human subjects with diabetic retinopathy (DR) which is known to cause decrease in capillary density and compare them to healthy controls. Our results indicate that 3D vessel-skeleton-length (3D-VSL) captures differences in both superficial and deep capillary density that are not apparent in 2D vessel skeleton analyses. In statistical analysis, we show that the 3D small-vessel-skeleton-length (3D-SVSL), which is computed after the removal of the large vessels and associated projection artifacts, provides a novel metric to detect group differences between healthy controls and progressive stages of DR.

Background Vessel segmentation in fundus photography has become a cornerstone technique for disease analysis. Within this field, Ultra-WideField (UWF) fundus images offer distinct advantages, including an expansive imaging range, detailed lesion data, and minimal adverse effects. However, the high resolution and low contrast inherent to UWF fundus images present significant challenges for accurate segmentation using deep learning methods, thereby complicating disease analysis in this context. Methods To address these issues, this study introduces M3B-Net, a novel multi-modal, multi-branch framework that leverages fundus fluorescence angiography (FFA) images to improve retinal vessel segmentation in UWF fundus images. Specifically, M3B-Net tackles the low segmentation accuracy caused by the inherently low contrast of UWF fundus images. Additionally, we propose an enhanced UWF-based segmentation network in M3B-Net, specifically designed to improve the segmentation of fine retinal vessels. The segmentation network includes the Selective Fusion Module (SFM), which enhances feature extraction within the segmentation network by integrating features generated during the FFA imaging process. To further address the challenges of high-resolution UWF fundus images, we introduce a Local Perception Fusion Module (LPFM) to mitigate context loss during the segmentation cut-patch process. Complementing this, the Attention-Guided Upsampling Module (AUM) enhances segmentation performance through convolution operations guided by attention mechanisms. Results Extensive experimental evaluations demonstrate that our approach significantly outperforms existing state-of-the-art methods for UWF fundus image segmentation.

Summary Blockade or deletion of the pro-inflammatory P2X7 receptor channel has been shown to reduce tissue damage and symptoms in models of inflammatory bowel disease (IBD) and P2X7 receptors on enteric neurons were suggested to mediate neuronal death and associated motility changes. Here we used P2X7-specific antibodies and nanobodies as well as a BAC transgenic P2X7-EGFP reporter mouse model and P2rx7 −/− controls to perform a detailed analysis of cell type-specific P2X7 expression and possible overexpression effects in the enteric nervous system. In contrast to previous studies, we did not detect P2X7 in neurons but found dominant expression in glia and macrophages which closely interact with the neurons. P2X7 overexpression per se did not induce significant pathological effects. Our data indicate that macrophages and/or glia account for P2X7-mediated neuronal damage in IBD and provide a refined basis for the exploration of P2X7-based therapeutic strategies.