噪音模拟学习:用于光学连贯性断层扫描的未配对的斑点噪声降低

科学领域:

• 生物医学成像技术 生物医学成像技术
• 医学图像分析 医学图像分析
• 计算成像技术的成像

背景情况:

• 光学连贯断层扫描 (OCT) 提供高分辨率的非侵入性成像.
• 海外国土和地区的斑点噪声会降低图像质量和诊断准确度.
• 现有的深度学习解密方法往往需要配对的图像,这对于OCT来说很难获得.

研究的目的:

• 开发一种新的,精简的,未配对的深度学习方法,用于用于降低OCT斑点噪声.
• 为了提高OCT形象染的效率和有效性.
• 为了提高诊断准确性在临床的OCT应用.

主要方法:

• 拟议的噪音模拟学习 (NIL),这是一个未配对的超越国土和地区的无声化方法.
• 尼尔使用三个模块:噪音提取,噪音模仿和对抗性学习.
• 开发了NIL-NAFNet管道,使用单一的发电机和区分器进行简化培训.

主要成果:

• 尼尔有效地通过合并未配对的图像和使用对抗训练来提取斑点噪声信息.
• 在PKU37数据集上,NIL-NAFNet管道实现了高性能 (PSNR: 31.27 dB,SSIM: 0.865,RMSE: 7.00).
• 定性和定量实验表明,与最先进的未配对方法相比,性能优越.

结论:

• 尼尔是一种简单,有效和高效的方法,用于减少未配对的OCT斑点噪声.
• 基于NIL的无雾化管道提高了OCT图像质量和诊断潜力.
• 这种方法克服了获得注册图像对的挑战,用于OCT的报销.