通过无监督深度学习增强OCT面对面的图像
Zhuoqun Yuan1, Di Yang1, Jingzhu Zhao2
1Institute of Modern Optics, Nankai University, Tianjin Key Laboratory of Micro-scale Optical Information Science and Technology, Tianjin 300350, People's Republic of China.
Physics in medicine and biology
|May 15, 2024
概括
本研究引入了一种无监督的深度学习方法,通过减少失焦和斑点噪声来改善光学连贯断层扫描 (OCT) 面对面的图像. 这种技术提高了图像质量,可以更好地可视化生物样本,而不需要配对的训练数据.
科学领域:
- 生物医学成像技术 生物医学成像技术
- 光学连贯性断层扫描技术
- 深度学习 (Deep Learning) 是一种深度学习.
背景情况:
- 光学连贯断层扫描 (OCT) 面部成像质量对于早期疾病检测至关重要.
- 海外国土图像中的失焦和斑点噪声阻碍了生物样本的微观结构评估.
- 现有的深度学习方法需要广泛的配对培训数据.
研究的目的:
- 开发一种无监督的深度学习方法,以提高OCT面对面的图像质量.
- 为了解决当前的OCT增强技术中的配对数据要求的局限性.
主要方法:
- 提出了一个无监督的深度学习管道用于OCT图像增强.
- 使用自制的斑点调节OCT系统收集未注册的脱焦和聚焦的无斑点OCT图像.
- 采用循环培训策略来训练图像增强模型.
主要成果:
- 无监督的方法有效地减少了OCT面对面图像中的斑点噪音和失焦.
- 对复杂生物样本的实验结果证明了该方法的有效性和通用性.
- 拟议的方法实现了在OCT图像质量的显著改进.
结论:
- 无监督深度学习方法提供了一个可行的解决方案,用于提高OCT面对面的图像质量.
- 这种方法简化了数据的构建,促进了OCT生物样本成像中的实际应用.
- 开发的技术有望改善临床可视化和疾病诊断.
