PSB-DSN:基于像素混合和盲点掩盖的OCT图像的两阶段无监督的无噪声增强网络

科学领域:

• 医疗成像医学成像
• 计算机视觉 计算机视觉
• 图像处理 图像处理

背景情况:

• 光学连贯断层扫描 (OCT) 图像中的斑点噪声是由于其乘法性质和空间相关性而面临的重大挑战.
• 由于"添加剂独立"的假设,传统的排名方法经常失败,这限制了它们对海外和海外国家的数据的有效性.

研究的目的:

• 开发一个无监督的深度学习网络,以有效地消除OCT图像中的斑点噪声.
• 为了提高下游任务的性能,例如使用无色化OCT图像进行视网膜层细分.

主要方法:

• 提出了一个两阶段的无监督网络,即Pixel Shuffle-Blindspot双阶段网络 (PSB-DSN),在没有清洁数据的情况下进行训练.
• 阶段1:采用像素混合下面采样和一个具有自我替换机制的全局面罩来消除噪音的相关性并保持上下文.
• 第二阶段:采用随机的面具精制网络,将被拒绝的结果合并并增强全球信息,减轻文物.

主要成果:

• 与最先进的无监督方法相比,PSB-DSN在六个海外国家和地区的数据集上表现出更高的染性能.
• 通过PSB-DSN处理的OCT图像显示了视网膜层细分精度的持续和稳定改进.

结论:

• 在OCT成像中,PSB-DSN提供了一种有效的无监督解决方案,用于减少OCT成像中的斑点噪声.
• 拟议的方法提高了图像质量,从而提高了临界下游医学图像分析任务的准确性.