利用深度学习实现OCT中的概率性体积散斑抑制
图像与视频处理
2024-06-24 v1 医学物理
光学
摘要
我们提出了一种基于条件生成对抗网络（cGAN）的深度学习框架，用于光学相干断层扫描（OCT）中的体积散斑减少，该框架利用了OCT数据的体积特性。为了利用OCT数据的体积特性，我们的网络将部分OCT体积作为输入，从而产生无伪影的去散斑体积，在所有三个维度上均表现出优异的散斑抑制和分辨率保持能力。此外，我们通过使用体积非局部均值去散斑方法TNode生成训练数据，解决了为监督式散斑抑制深度学习框架生成真实值数据这一持续挑战。我们表明，虽然TNode处理计算量大，但它可作为训练数据的便捷、可及的金标准来源；我们的cGAN复制了高效的散斑抑制，同时保留了接近非局部均值去散斑系统分辨率的组织结构，并且速度比TNode快两个数量级。与现有的深度学习方法相比，我们在使用三种不同OCT系统采集的不同组织类型中，展示了所提网络快速、有效且高质量的去散斑能力。我们工作的开源性质有助于在任何OCT系统中通过全软件实现进行重新训练和部署，从而解决了生成高质量、无散斑训练数据的难题。
引用
@article{arxiv.2312.04460,
title = {Probabilistic volumetric speckle suppression in OCT using deep learning},
author = {Bhaskara Rao Chintada and Sebastián Ruiz-Lopera and René Restrepo and Brett E. Bouma and Martin Villiger and Néstor Uribe-Patarroyo},
journal= {arXiv preprint arXiv:2312.04460},
year = {2024}
}