利用基于视频配准的重建在内窥显微成像中实现单图像超分辨率的有效深度学习训练
计算机视觉与模式识别
2018-04-25 v1
摘要
目的：探头式共焦激光内窥显微成像 是一种新兴的成像模态，允许进行体内光学活检。pCLE 硬件的设计及其对光纤束的依赖，从根本上限制了图像质量，该光纤束由数万根光纤组成，每根光纤等效于一个单像素探测器，组装在单个光纤束中。视频配准技术可以通过利用低分辨率 (LR) 图像序列中包含的时间信息来估计高分辨率 (HR) 图像。然而，融合所需的 LR 帧对齐计算量大且容易产生伪影。方法：在这项工作中，我们提出了一种新颖的合成数据生成方法来训练基于样本的深度神经网络 (DNNs)。通过在估计的 HR 图像（由视频配准算法生成）和逼真的合成 LR 图像对上训练模型，恢复了具有增强质量的 HR pCLE 图像。在包含来自 238 个 pCLE 视频序列的 8806 张图像的 Smart Atlas 数据库上，分析了三种不同的最先进 DNNs 技术的性能。结果通过广泛的图像质量评估 进行了验证，该评估考虑了不同的质量评分，包括平均主观评分 (MOS)。结果：结果表明，所提出的解决方案使获得的重建图像质量得到了有效提升。结论：所提出的训练策略及相关 DNNs 使我们能够对 pCLE 图像进行令人信服的超分辨率重建。
引用
@article{arxiv.1803.08840,
title = {Effective deep learning training for single-image super-resolution in endomicroscopy exploiting video-registration-based reconstruction},
author = {Daniele Ravì and Agnieszka Barbara Szczotka and Dzhoshkun Ismail Shakir and Stephen P Pereira and Tom Vercauteren},
journal= {arXiv preprint arXiv:1803.08840},
year = {2018}
}