GARD：基于伽马的视网膜OCT解剖恢复与去噪
计算机视觉与模式识别
2025-09-15 v1
摘要
光学相干断层扫描(OCT)是诊断和监测视网膜疾病的关键成像模态。然而，OCT图像因信噪比低而受信噪声干扰，这遮蔽了细节，阻碍准确解读。虽已有众多去噪方法，但许多方法难以在降低噪声与保留关键解剖结构之间取得平衡。本文引入GARD(Gamma-based Anatomical Restoration and Denoising)，一种新型深度学习方法，用于OCT图像去信噪声，利用扩散概率模型的优势。不同于传统扩散模型假设为高斯噪声，GARD采用去噪扩散伽马模型更准确地反映信噪声的统计特性。此外，我们提出一种噪声减少保真项，利用预处理的较低噪声图像引导去噪过程，以防止高频噪声的重新引入。我们通过适应去噪扩散隐式模型框架至伽马模型，加速推理过程。在包含带噪与较低噪声OCT B片的配对数据集上实验表明，GARD在PSNR、SSIM和MSE等指标上显著优于传统去噪方法和最先进的深度学习模型。定性结果确认，GARD产生更锐利的边缘，更好地保留细微解剖细节。
引用
@article{arxiv.2509.10341,
title = {GARD: Gamma-based Anatomical Restoration and Denoising for Retinal OCT},
author = {Botond Fazekas and Thomas Pinetz and Guilherme Aresta and Taha Emre and Hrvoje Bogunovic},
journal= {arXiv preprint arXiv:2509.10341},
year = {2025}
}