面向域感知少样本学习的光学相干断层扫描噪声降低
利用深度学习和超分辨率技术重建失去的特征,以改善眼科临床医生的决策,应对广场视野 OCT 系统降低分辨率的挑战。
Jan, 2023
通过修改 cycleGAN 模型,将图像去噪问题视为高低噪声域之间的域转换问题,在未配对的视网膜光学相干断层扫描图像上学习这些域之间的映射。在定量和定性评估中,我们展示了这种方法优于其他已有方法,并且结果表明该网络能够区分图像中噪声水平的微小变化。模型的特征映射进一步表明其已学会区分视网膜层和其他不同区域的图像。
Oct, 2019
光学相干断层扫描(OCT)通过提高形态结构解析能力,利用深度学习技术实现了基于医学图像的诊断与治疗。为了克服现有深度学习方法在图像重建中的频率偏差问题,本文提出了一种结合频率感知超分辨率框架,通过集成三个关键的基于频率的模块(频率变换、频率跳跃连接和频率对齐)及频率损失函数到条件生成对抗网络(cGAN)的方法。通过对一个现有的冠状动脉 OCT 数据集进行大规模定量研究,证明了我们提出的框架优于现有的深度学习框架。此外,我们还将该框架应用于鱼角膜图像和大鼠视网膜图像,证明了它在眼科成像中对解析形态细节的能力。
Jul, 2023
提出了一种名为 Sub2Full (S2F) 的创新自监督策略用于光学相干断层扫描 (OCT) 去噪,无需干净数据,该方法在视觉光 OCT 视网膜图像上验证并展示了优于常规的 Noise2Noise 和 Noise2Void 方案的性能。
Jan, 2024
本文介绍了一种新的合奏学习机制,旨在识别受限资源(例如数据、计算)下的视网膜疾病,该机制利用了多个预训练模型的见解,有助于将它们的知识转移到视网膜光学相干断层扫描图像中,提供了一种在处理受限标记数据的情况下建立强大模型的方法,并消除了从头开始学习所需的大量参数的需求。在真实世界数据集上进行的全面实验表明,所提出的方法在识别视网膜光学相干断层扫描图像方面可以实现优越性能,即使在处理非常有限的标记数据集时也是如此。此外,这种方法消除了学习大规模参数的必要性,使其非常适合在资源有限的情景中部署。
Feb, 2024
本研究提出一种卷积神经网络架构,能够成功区分不同视网膜层的退化以及其潜在的疾病原因,准确率达到 99.8%,100%。此外,这种架构可以实时预测视网膜疾病,同时表现优于人类诊断医师。
Oct, 2019
本文提出了一种基于超像素指导的用于从弱标注中生成噪声标签的方法(PNS),以及一种基于 MTCL 的 Two-Stage Mean-Teacher-assisted Confident Learning(2SMTCL)方法,用于多类别 OCT 流体分割。实验结果表明,该方法在 OCT 流体分割以及标签去噪方面性能优秀,为眼科领域患者的诊断和治疗提供了高效、准确和实用的解决方案。
Jun, 2023
利用深度学习的现代生物医学图像分析经常面临有限的注释数据的挑战,为了克服这个问题,可以使用深度生成模型来合成逼真的生物医学图像。通过提供粗略的层次草图,训练的去噪扩散概率模型(DDPM)可以生成逼真的近视视网膜光学相干断层扫描图像。此外,通过知识适应可以获得更准确的伪标签,对分割任务非常有益。通过这一方法,我们观察到层次分割准确性的持续改善,并通过各种神经网络验证。此外,我们还发现,仅使用合成图像训练的层次分割模型可以达到与仅使用真实图像训练的模型相当的结果。这些发现展示了 DDPM 在减少人工注释视网膜光学相干断层扫描图像的需求方面的潜在潜力。
Nov, 2023
本文提出了一种用于稀疏视图计算机体层摄影的新框架,通过使用超分辨率网络(SIN)和细化网络(PRN)进行重建,以减少条纹伪影和提高恢复精度。
Dec, 2020