基于深度学习的视网膜OCT图像无监督去噪方法
吴广义 Wu Guangyi, 袁卓群 Yuan Zhuoqun, 梁艳梅 Liang Yanmei
Abstract
以散斑噪声为主的噪声干扰严重影响视网膜光学相干层析（OCT）图像质量。深度学习是一种有效的去噪方法。但对活体成像而言，其很难获取多帧配准的真值图像，这影响了监督学习方法的效果。提出一种无监督深度残差稀疏注意力网络用于视网膜OCT图像去噪，并分别从视觉评价和数值评价两方面与传统的三维块匹配滤波去噪算法和经典的深度学习去噪网络进行对比。研究了监督学习与无监督学习策略下3种卷积神经网络的去噪性能，并利用公开的视网膜OCT图像数据集进行泛化能力测试。实验结果表明：所提算法的视觉评价和数值评价均具有良好的降噪效果，可以实现视网膜OCT图像高质量降噪，具有较强的泛化性，而且与监督学习相比，无监督学习在数据集不充分时仍能获得较好的降噪性能，可以有效地辅助医生进行准确高效的临床诊断。
Topics & Concepts
Computer sciencePhotoacoustic and Ultrasonic ImagingOptical Coherence Tomography ApplicationsRetinal Imaging and Analysis