从非均匀采样数据学习用于内窥镜显微镜超分辨率：稀疏与稠密方法的比较研究
图像与视频处理
2020-08-20 v1 计算机视觉与模式识别
摘要
目的：基于探针的共聚焦激光内窥镜显微镜（pCLE）可通过探针进行光学活检，提供实时显微图像。pCLE 探针由排列成束的多根光纤组成，共同产生非均匀采样模式的信号。当前 pCLE 重建基于将非均匀信号通过朴素线性插值重采样到过采样笛卡尔网格上。已有研究表明卷积神经网络（CNNs）可改善 pCLE 图像质量。尽管经典 CNNs 已应用于 pCLE，但输入数据限于重建图像，而非 pCLE 产生的非均匀数据。方法：我们比较以非均匀采样或重建的 pCLE 图像为输入的 pCLE 重建与超分辨率（SR）方法。我们还提出将 Nadaraya-Watson（NW）核回归嵌入 CNN 框架作为新颖的可训练 CNN 层。利用 NW 层与基于样例的超分辨率，我们设计了 NWNetSR 架构，可直接从非均匀采样输入数据重建高质量 pCLE 图像。我们创建了合成稀疏 pCLE 图像以评估我们的方法。结果：结果通过基于以下指标组合的图像质量评估进行验证：峰值信噪比、结构相似性指数。结论：稠密与稀疏 CNNs 均优于临床当前使用的重建方法。我们研究的主要贡献在于比较 pCLE 图像重建中的稀疏与稠密方法、实现可训练的广义 NW 核回归，以及适配合成数据用于训练 pCLE SR。
引用
@article{arxiv.1911.13169,
title = {Learning from Irregularly Sampled Data for Endomicroscopy Super-resolution: A Comparative Study of Sparse and Dense Approaches},
author = {Agnieszka Barbara Szczotka and Dzhoshkun Ismail Shakir and DanieleRavi and Matthew J. Clarkson and Stephen P. Pereira and Tom Vercauteren},
journal= {arXiv preprint arXiv:1911.13169},
year = {2020}
}