在OCT使用深度学习进行概率学体积光斑抑制

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 生物医学工程 生物医学工程

背景情况:

• 光学连贯断层扫描 (OCT) 中的斑点噪声降低了图像质量,并阻碍了准确的分析.
• 开发有效的斑点减少技术对于推进OCT在各种生物医学领域的应用至关重要.

研究的目的:

• 引入一个新的深度学习框架,以减少海外国家和地区数据中的体积斑点.
• 为了利用海上国家和地区数据的体积性质,提高斑点抑制和分辨率保存.

主要方法:

• 一个有条件的生成对抗网络 (cGAN) 被设计用于处理部分的OCT卷.
• 卷度非局部手段 (TNode) 用于为cGAN生成高质量的训练数据.
• 该框架是以最小的数据 (三个OCT卷) 进行培训的,并在不同的OCT系统和组织类型中进行了验证.

主要成果:

• 在所有三个维度中,cGAN实现了显著的斑点减少和保存的组织结构.
• 与TNode.相比,拟议的方法证明了与TNode.相比提高了两倍的速度.
• 该框架在未见的组织类型上表现出有效的性能,突出显示了其可通用性.

结论:

• 开发的深度学习框架提供了一个快速有效的解决方案,以减少OCT的体积斑点.
• 开源,全软件的实现促进了广泛采用和适应多样化的OCT系统.
• 这项工作解决了培训数据生成的挑战,使得在没有广泛的基础真相数据集的情况下能够实现高质量的除.