基于深度学习的低横向采样光学相干断层扫描血管成像数字分辨率增强
图像与视频处理
2020-01-09 v2 光学
摘要
光学相干断层扫描血管成像（OCTA）需要高横向采样密度以可视化视网膜和脉络膜毛细血管。低横向采样会导致分辨率下降，例如宽视野 OCTA 中的血管成像图。在本文中，我们提出使用深度学习来解决此问题。我们开展了大量实验，将 8×8 mm² 中央凹 OCTA 图像（采样密度 22.9 μm）中居中裁剪的 3×3 mm² 视场（FOV）转换为原生的 3×3 mm² 平面 OCTA 图像（采样密度 12.2 μm）。在此转换中，我们采用了循环一致性对抗网络架构。使用感知相似性度量的定量分析表明，生成的 OCTA 图像更接近于原生的 3×3 mm² 扫描。此外，结果表明所提方法还能增强信噪比。我们进一步将该方法应用于增强病变病例并计算血管生物标志物，这证明了其泛化性能和临床前景。
引用
@article{arxiv.1910.01344,
title = {Digital resolution enhancement in low transverse sampling optical coherence tomography angiography using deep learning},
author = {Ting Zhou and Kang Zhou and Jianlong Yang and Liyang Fang and Yan Hu and Yitian Zhao and Jun Cheng and Xiangping Chen and Shenghua Gao and Jiang Liu},
journal= {arXiv preprint arXiv:1910.01344},
year = {2020}
}