研究目的
开发一种多输入全卷积网络(MIFCN),通过利用相邻光学相干断层扫描(OCT)图像之间的相关性来降噪,同时保留纹理和层状结构。
研究成果
所提出的MIFCN方法通过采用带有加权平均??榈纳窬缂芄?,有效利用相邻图像间的相关性来降低OCT图像噪声。该方法在定量指标和视觉质量上均优于现有最先进的去噪技术,能更好地保留层状结构与纹理特征且伪影更少。未来工作可整合分割信息并将该方法拓展至图像插值等其他应用领域。
研究不足
该方法依赖于多张邻近OCT图像的可用性以实现有效去噪;若此类相关性较弱,性能可能下降。权重机制中的参数h需要通过经验调整,这可能与数据集相关。训练数据规模有限,采用更复杂架构时可能导致过拟合。该方案专为OCT图像设计,在未经适配的情况下可能难以推广至其他医学成像模态。
1:实验设计与方法选择:
本研究采用多输入全卷积网络(MIFCN)架构,包含多个分支分别处理含噪光学相干断层扫描(OCT)图像,随后通过受非局部均值加权启发的加权平均??槿诤鲜涑?。该网络采用端到端训练方式,其损失函数确保各分支输出与贡献度的一致性。
2:样本选择与数据来源:
数据集包含来自28名正常眼及年龄相关性黄斑变性患者的频域OCT(SDOCT)图像,数据源自既往公开研究。训练使用10对含噪与高信噪比图像;测试集额外包含提供邻近OCT图像的样本。
3:实验设备与材料清单:
配备Intel i7-7700K CPU、16GB内存、NVIDIA GeForce GTX 1080 Ti显卡的台式电脑;用于数据采集的Bioptigen SDOCT成像系统。
4:实验流程与操作步骤:
从高信噪比图像中提取15×15像素图像块,通过非局部搜索获取相似图像块构建训练集。网络经60轮训练(含翻转和旋转数据增强),采用指定学习率的Adam优化器。推理阶段,MIFCN处理多输入图像生成去噪输出。
5:数据分析方法:
采用PSNR、MSR、CNR、ENL等定量指标评估性能,通过Wilcoxon符号秩检验验证统计显著性,同时结合视觉检查进行定性评估。
独家科研数据包,助您复现前沿成果,加速创新突破
获取完整内容