自主监督的Self2Self,通过单一的噪音图像减少OCT斑点的策略
Chenkun Ge1, Xiaojun Yu1,2, Miao Yuan1
1School of Automation, Northwestern Polytechnical University, Xi'an, Shaanxi, 710072, China.
Biomedical optics express
|February 26, 2024
概括
这项研究介绍了一种新的自我监督深度学习方法,Self2Self战略 (S2Snet),用于光学连贯断层扫描 (OCT) 脱斑. S2Snet有效地消除了OCT图像中的斑点噪声,而不需要地面真相数据,提高图像质量.
科学领域:
- 医疗成像医学成像
- 计算机视觉 计算机视觉
- 人工智能的人工智能
背景情况:
- 光学连贯断层扫描 (OCT) 由于其低连贯干扰测量,容易受到斑点噪声的影响.
- 现有的深度学习方法用于OCT除通常需要基本真相图像,这些图像在临床环境中很难获得.
- 斑点噪声会降低OCT图像的质量和诊断准确性.
研究的目的:
- 开发一个自主监督的深度学习方案,用于OCT除,不需要基本真相图像.
- 为了减少OCT图像中斑点噪声的影响,使用单个噪声输入.
- 通过有效的降噪来提高海外国家和地区图像分析的性能.
主要方法:
- 提出了一个自主监督的深度学习策略,称为Self2Self策略 (S2Snet).
- S2Snet 架构使用一个封闭的卷积层来更新其部分卷积.
- 网络处理输入图像及其伯努利采样实例,结合自定义损失函数来消除背景噪声,并为最终的无声化输出平均化多个预测.
主要成果:
- 与现有方法相比,拟议的S2Snet方案在OCT除方面表现优越.
- S2Snet的表现优于其他自我监督的深度学习技术和传统的非深度学习方法.
- 量化改进包括3.41%的峰值信号对噪声比率 (PSNR) 和2.37%的结构相似度指数 (SSIM) 与原来的Self2Self网络相比增加,以及与NWSR方法相比显著的收益 (19.9%的PSNR,22.7%的SSIM).
结论:
- 在不依赖于地面真相数据的情况下,S2Snet方法为OCT脱落提供了有效的解决方案.
- 这种自主监督的方法显著提高了海外和海外国家的图像质量,使其对临床应用有价值.
- 在医疗成像中,S2Snet代表了降噪技术的有前途的进步.
更多相关视频
07:23Retinal Vascular Reactivity as Assessed by Optical Coherence Tomography Angiography
Published on: March 26, 2020
7.6K
07:20A Novel Approach to Overcome Movement Artifact When Using a Laser Speckle Contrast Imaging System for Alternating Speeds of Blood Microcirculation
Published on: August 30, 2017
8.4K
