DLAO：光学干渉断層撮影における収差補正のための物理情報に基づいた深層学習フレームワーク

科学分野:

• 生物医学イメージング
• 光学工学
• 深層学習

背景:

• 光学干渉断層撮影（OCT）は、高解像度の非侵襲的な生物医学イメージングにとって重要です。
• OCTの画質は、システムの不完全性やサンプルの不均一性に起因する光学収差によってしばしば劣化します。
• これらの収差は空間分解能を低下させ、微細な詳細を不明瞭にし、診断および研究アプリケーションを制限します。

研究 の 目的:

• 深層学習と適応光学を使用してOCT画像における複雑な収差を補正するための効率的なフレームワークを開発すること。
• 光学収差によって損なわれるOCT画像の空間分解能と鮮明さを向上させること。

主な方法:

• 物理情報に基づいた深層学習適応光学（DLAO）フレームワークを導入しました。
• 疑似点広がり関数（pseudo-PSF）の前処理ステップを実装し、収差補正を低次元のパラメータ推定問題に単純化しました。
• マルチスケール特徴融合と階層的特徴キャプチャのためのLAPAモジュールを備えた層適応プログレッシブアテンションネットワーク（LAPANet）を設計しました。

主要な成果:

• DLAOフレームワーク、特にLAPANetは、主流の深層学習モデルと比較して収差補正において優れた性能を示しました。
• より高いピーク信号対雑音比（PSNR）および構造的類似性指数（SSIM）スコアを達成しました。
• 実験において、高い推論効率を維持し、堅牢性と汎化能力を示しました。

結論:

• 提案されたDLAOフレームワークは、OCT画像における複雑な収差を効果的に補正し、画質を大幅に向上させます。
• LAPANetの相乗的な設計は、重要な画像領域を正確に再構成し、高周波の詳細を復元します。
• このフレームワークは、診断および研究におけるOCTイメージングを改善するための実用的な価値を提供します。