AMeta-FD:对不起的Meta-learning为几次拍摄的视网膜OCT图像清除斑点
Yi Zhou1, Tao Peng2, Thiara Sana Ahmed3
1School of Electronics and Information Engineering, Soochow University, 1 Shizi Street, Suzhou, 215006, Jiangsu, China.
概括
这项研究介绍了对抗性meta-learning对于Few-shot原始视网膜OCT图像脱斑 (AMeta-FD),这是一种新的深度学习方法,可以有效地减少光学连贯断层扫描 (OCT) 图像中的斑点噪声,并且使用最小的数据. AMeta-FD实现了与传统方法相提并论的性能,同时需要少得多的培训数据.
科学领域:
- 生物医学成像技术 生物医学成像技术
- 人工智能的人工智能
- 图像处理 图像处理
背景情况:
- 光学连贯断层扫描 (OCT) 图像中的斑点噪声会降低图像质量,妨碍关键的分析任务,例如视网膜层细分.
- 深度学习为传统的图像处理和用于降低噪音的硬件解决方案提供了强大且具有成本效益的替代方案.
- 获取大型注释数据集用于训练医学成像中的深度学习模型通常是耗时和资源密集的.
研究的目的:
- 提出一种新的深度学习方法,即对抗性超级学习,用于少量拍摄的视网膜原始图像OCT脱斑 (AMeta-FD),以有效地减少OCT图像中的斑点噪声.
- 开发一种方法,与传统的深度学习方法相比,需要少得多的培训数据.
- 引入新的抑制损失功能,以提高降噪的有效性,特别是在非组织区域.
主要方法:
- 针对合成噪音的OCT图像对进行对抗性元训练,然后对一个小的原始清洁OCT图像数据集进行微调.
- 引入了一种新的抑制损失功能,以尽量减少非组织像素在脱落过程中的影响.
- 通过记录和平均化多次重复的OCT图像采集,生成地面真相数据.
主要成果:
- 尽管只需要12%的数据 (60个原始清洁图像对),但AMeta-FD的性能与使用整个培训数据集的传统转移学习方法相美.
- 拟议的方法显示了信号与噪声比 (SNR) 的显著改善,超过了传统的非基于学习的除方法至少15dB.
- AMeta-FD的表现优于最近基于meta-learning的除方法,包括Few-Shot Meta-Denoising (FSMD) 的11.01dB,而之前的最佳方法则优于3dB.
结论:
- AMeta-FD提供了一种高效和数据效率的解决方案,用于在视网膜OCT图像中减少斑点噪声.
- 该方法能够在有限的数据中实现最先进的性能,这使其成为获取数据具有挑战性的临床应用的宝贵工具.
- 新的抑制损失和对抗性元学习策略有助于AMeta-FD的卓越性能和稳定性.
