一种用于视盘光学相干断层扫描图像去噪的深度学习方法
计算机视觉与模式识别
2018-09-28 v1
摘要
目的：开发一种深度学习方法，用于对视盘（ONH）的光学相干断层扫描（OCT）B扫描进行去噪。方法：使用商用OCT设备（Spectralis）对20名受试者的双眼经ONH中心采集由97幅水平B扫描组成的体积扫描。每只眼均获取单帧（无信号平均）和多帧（75倍信号平均）体积扫描。随后设计自定义深度学习网络，以2,328幅“干净B扫描”（多帧B扫描）及其对应的“含噪B扫描”（干净B扫描加高斯噪声）进行训练，以对单帧B扫描去噪。使用信噪比（SNR）、对比度噪声比（CNR）和平均结构相似性指数指标（MSSIM）对去噪算法在1,552幅B扫描上的性能进行定性与定量评估。结果：所提算法成功地对未见过的单帧OCT B扫描进行了去噪。去噪后的B扫描在定性上与其对应的多帧B扫描相似，且ONH组织可见性增强。平均SNR从单帧的 dB提升至去噪后的 dB。对于所有ONH组织，平均CNR从单帧的 提升至去噪后的 。与对应多帧B扫描相比，MSSIM从单帧的 提升至去噪后的 。结论：我们的深度学习算法可在20毫秒内对ONH的单帧OCT B扫描去噪，从而提供了一个以更短扫描时间和最小患者不适获取更高质量OCT B扫描的框架。
引用
@article{arxiv.1809.10589,
title = {A Deep Learning Approach to Denoise Optical Coherence Tomography Images of the Optic Nerve Head},
author = {Sripad Krishna Devalla and Giridhar Subramanian and Tan Hung Pham and Xiaofei Wang and Shamira Perera and Tin A. Tun and Tin Aung and Leopold Schmetterer and Alexandre H. Thiery and Michael J. A. Girard},
journal= {arXiv preprint arXiv:1809.10589},
year = {2018}
}