基于对抗深度学习的快照结构光图像快速组织氧合映射
图像与视频处理
2021-02-03 v1 计算机视觉与模式识别
机器学习
摘要
空间频域成像（SFDI）是一种在大视场范围内映射组织氧饱和度的有力技术。然而，当前的 SFDI 方法要么需要一组具有不同照明图案的序列图像，要么（在单快照光学特性（SSOP）的情况下）引入伪影并牺牲精度。为避免这一权衡，我们引入 OxyGAN：一种数据驱动、内容感知的方法，利用端到端生成对抗网络从单张结构光图像直接估计组织氧合。传统 SFDI 被用于获取离体人类食管、活体手与足，以及活体猪结肠样本在 659 nm 和 851 nm 正弦照明下的真实组织氧合图。我们将 OxyGAN 与 SSOP 以及一种两步混合技术进行基准比较，该混合技术使用先前开发的深度学习模型预测光学特性，再通过物理模型计算组织氧合。在人类足部测试时，交叉验证的 OxyGAN 以 96.5% 的精度映射组织氧合。当应用于未包含在训练集中的样本类型（如人类手部和猪结肠）时，OxyGAN 达到 93.0% 的精度，展示出对不同组织类型的鲁棒性。平均而言，OxyGAN 在估计组织氧合上分别优于 SSOP 和混合模型 24.9% 和 24.7%。最后，我们优化 OxyGAN 推理，使氧合图的计算比先前工作快约 10 倍，从而实现视频速率的 25Hz 成像。由于其快速的采集与处理速度，OxyGAN 有潜力实现实时、高保真组织氧合映射，这可能有益于许多临床应用。
引用
@article{arxiv.2007.00760,
title = {Rapid tissue oxygenation mapping from snapshot structured-light images with adversarial deep learning},
author = {Mason T. Chen and Nicholas J. Durr},
journal= {arXiv preprint arXiv:2007.00760},
year = {2021}
}