Reconstrucción de tomografía de coherencia óptica basada en aprendizaje profundo para imágenes morfológicas y...

Área de la Ciencia:

• Imagenología oftálmica
• Análisis de imágenes médicas
• Aplicaciones de aprendizaje profundo

Sus antecedentes:

• La tomografía de coherencia óptica de dominio espectral (SD-OCT) ofrece alta resolución pero enfrenta desafíos con la velocidad y la sensibilidad de la imagen.
• Mejorar simultáneamente la velocidad y la sensibilidad en SD-OCT es un obstáculo técnico importante.

Objetivo del estudio:

• Desarrollar un enfoque de aprendizaje profundo para mejorar tanto la velocidad como la sensibilidad en los sistemas SD-OCT.
• Superar las limitaciones de hardware en SD-OCT a través de métodos computacionales avanzados.

Principales métodos:

• Se empleó una arquitectura modificada de red neuronal profunda (DNN) U-Net que incorpora un modelo de espacio de estados visual.
• El modelo sintetiza OCT y angiografía OCT (OCTA) de alta relación señal-ruido (SNR) a partir de adquisiciones de alta velocidad.
• El rendimiento se evaluó utilizando métricas cuantitativas como el índice de similitud estructural multiescala (MS-SSIM) y la relación contraste-ruido (CNR).

Principales resultados:

• El modelo de aprendizaje profundo reconstruyó eficazmente imágenes OCT y OCTA con alta SNR.
• Se observó un contraste mejorado entre las capas retinianas y una delineación mejorada de los límites de las capas.
• Se restauraron con éxito estructuras retinianas finas, incluidos microcapillares y la coroides.

Conclusiones:

• Una novedosa arquitectura basada en DNN permite mejoras simultáneas en la velocidad y la sensibilidad de la imagen SD-OCT.
• Este enfoque mejora la calidad de la imagen OCT sin comprometer la velocidad de adquisición.
• El método ofrece una solución viable para superar las limitaciones inherentes del hardware en los sistemas SD-OCT.