基于深度学习的欠采样谱-空域OCT数据多尺度重建用于冠脉成像
图像与视频处理
2022-04-26 v1 人工智能
摘要
冠状动脉疾病（CAD）是一种具有高发病率和死亡率的心血管疾病。血管内光学相干断层成像（IVOCT）已被认为是诊断和治療CAD的最佳成像系统。受奈奎斯特定理约束，IVOCT中的密集采样获得了描绘细胞结构/特征的高分辨率。冠脉成像中高空间分辨率与快速扫描率之间存在权衡。在本文中，我们提出了一种可行的谱-空域采集方法，在谱域和空域同时下采样，同时保持图像重建的高质量。该下采样方案无需任何硬件修改即可提升数据采集速度。此外，我们提出了一种统一的多尺度重建框架，即多尺度谱-空域放大网络（MSSMN），以灵活放大倍数重建高度下采样（压缩）的OCT图像。我们将所提方法应用于具有支架和钙化病变等临床特征的人体冠脉样本的谱域OCT（SD-OCT）成像中。我们的实验结果表明，谱-空域下采样数据比仅在谱域或空域下采样的数据重建得更好。此外，我们观察到使用MSSMN比使用现有重建方法具有更好的重建性能。我们的采集方法与多尺度重建框架相结合，可在冠脉介入期间实现高分辨率的更快SD-OCT检查。
引用
@article{arxiv.2204.11769,
title = {Multi-scale reconstruction of undersampled spectral-spatial OCT data for coronary imaging using deep learning},
author = {Xueshen Li and Shengting Cao and Hongshan Liu and Xinwen Yao and Brigitta C. Brott and Silvio H. Litovsky and Xiaoyu Song and Yuye Ling and Yu Gan},
journal= {arXiv preprint arXiv:2204.11769},
year = {2022}
}
备注
11 pages, 8 figures, reviewed by IEEE trans BME