面向光学相干断层成像降噪的域感知少样本学习

散斑噪声长期以来一直是医学成像中被广泛研究的问题。近年来，利用深度学习方法进行降噪取得了显著进展。然而，将有监督学习模型适配到未知域仍然是一个具有挑战性的问题。具体而言，为计算成像任务训练的深度神经网络（DNNs）易受采集系统物理参数变化的影响，例如：采样空间、分辨率和对比度。即使在同一采集系统内，跨不同生物组织数据集的性能也会下降。在这项工作中，我们提出了一种用于光学相干断层成像（OCT）降噪的少样本有监督学习框架，该框架大幅提升了训练速度，并且仅需单张图像或图像的一部分以及对应的散斑抑制真值即可训练。此外，我们阐述了 OCT 多样化成像系统的域偏移问题，并证明去散斑训练模型的输出分辨率由源域分辨率决定。我们也提供了可能的补救措施。我们提出了该方法的不同实际实现，验证并比较了它们的适用性、鲁棒性和计算效率。我们的结果表明，通过有监督学习模型进行相干和非相干噪声降噪，在泛化样本复杂度、泛化能力和时间效率方面具有显著提升的潜力，这也可用于其他实时计算机视觉应用。