Spectral Bandwidth Recovery of Optical Coherence Tomography Images using Deep Learning

要約

光コヒーレンストモグラフィー (OCT) は断面データを取得し、網膜疾患のスクリーニング、モニタリング、治療計画に使用されます。
取得速度を上げるための技術開発は、多くの場合、システムのスペクトル帯域幅を狭くし、軸方向分解能を低下させます。
従来、サブサンプリングされた OCT データを再構築するために画像処理ベースの手法が利用されてきましたが、最近では、深層学習ベースの手法が検討されています。
この研究では、スペクトル領域でのガウス ウィンドウ処理によるアキシャル スキャン (A スキャン) 解像度の低下をシミュレートし、画像特徴再構成のための学習ベースのアプローチの使用を調査します。
広視野OCTシステムに伴う解像度の低下を見越して、ピクセル間アプローチを使用して失われた特徴を再構築することにより、超解像技術を構築して、臨床医が患者の転帰を改善するための意思決定をより適切に支援する方法を探求します
変更された超解像敵対的生成ネットワーク (SRGAN) アーキテクチャを使用します。

要約(オリジナル)

Optical coherence tomography (OCT) captures cross-sectional data and is used for the screening, monitoring, and treatment planning of retinal diseases. Technological developments to increase the speed of acquisition often results in systems with a narrower spectral bandwidth, and hence a lower axial resolution. Traditionally, image-processing-based techniques have been utilized to reconstruct subsampled OCT data and more recently, deep-learning-based methods have been explored. In this study, we simulate reduced axial scan (A-scan) resolution by Gaussian windowing in the spectral domain and investigate the use of a learning-based approach for image feature reconstruction. In anticipation of the reduced resolution that accompanies wide-field OCT systems, we build upon super-resolution techniques to explore methods to better aid clinicians in their decision-making to improve patient outcomes, by reconstructing lost features using a pixel-to-pixel approach with an altered super-resolution generative adversarial network (SRGAN) architecture.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google