从波长空间中重建光学连贯断层图像,使用深度学习

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:

• 传统的福里埃域光学连贯断层扫描 (FD-OCT) 需要波数域重新采样,增加了硬件和计算需求.
• 由于低连贯性干涉测量,OCT图像本质上受到斑点噪声的影响.

研究的目的:

• 提出一种计算效率高的深度学习 (DL) 方法,用于从波长 (λ) 域中直接重建减少斑点的OCT图像.
• 为了减少与传统的FD-OCT方法相关的计算复杂性.

主要方法:

• 两个编码解码深度学习网络的顺序应用:空间域卷积神经网络 (SD-CNN) 和里埃域CNN (FD-CNN).
• SD-CNN重建了形态结构,并抑制了来自波长域边缘的退化图像的噪音.
• FD-CNN进一步优化了福里埃域 (FD) 中的图像质量.

主要成果:

• 在获得高质量,减少斑点的OCT图像方面,已证明了定量和视觉有效性.
• 与传统方法相比,显著减少了计算复杂度.
• 成功地从波长域直接重建OCT图像,绕过波数域重新采样.

结论:

• 拟议的基于DL的方法为OCT图像重建提供了简化和计算效率高的替代方案.
• 这种方法有效地减少了斑点噪声,并提高了图像质量.
• 这项工作为未来在OCT图像处理和重建方面的进步提供了基础.