基于深度学习从波长空间重建光学相干断层扫描图像
光学
2025-09-24 v1 计算机视觉与模式识别
机器学习
摘要
传统傅里叶域光学相干断层扫描（FD-OCT）系统依赖于重采样至波数（k）域以提取深度剖面。这要么需要额外的硬件资源，要么会增加现有的计算复杂度。此外，由于对低相干干涉测量的系统性依赖，OCT 图像也受到散斑噪声的影响。我们提出了一种基于深度学习（DL）的精简且计算高效的方法，能够直接从波长域重建降噪的 OCT 图像。在重建过程中，依次使用了两种编码器-解码器风格的网络，即空间域卷积神经网络（SD-CNN）和傅里叶域卷积神经网络（FD-CNN）。SD-CNN 利用通过对域条纹进行傅里叶变换获得的严重退化图像，重建受损的形态结构并抑制不需要的噪声。FD-CNN 利用该输出，通过在傅里叶域（FD）中进行优化以进一步提升图像质量。我们定量且直观地证明了该方法在获取高质量 OCT 图像方面的有效性。此外，我们展示了利用 DL 模型的能力来降低计算复杂度。我们相信，这项工作为 OCT 图像重建领域的进一步创新奠定了框架。
引用
@article{arxiv.2509.18783,
title = {Reconstruction of Optical Coherence Tomography Images from Wavelength-space Using Deep-learning},
author = {Maryam Viqar and Erdem Sahin and Elena Stoykova and Violeta Madjarova},
journal= {arXiv preprint arXiv:2509.18783},
year = {2025}
}