Domain-Aware Few-Shot Learning for Optical Coherence Tomography Noise Reduction

要約

スペックル ノイズは、医療画像処理において長年にわたって広く研究されてきた問題です。
近年、ノイズ低減のためのディープラーニング手法の活用が大幅に進歩しました。
それにもかかわらず、教師あり学習モデルを目に見えない領域に適応させることは依然として困難な問題です。
具体的には、計算によるイメージング タスク用にトレーニングされたディープ ニューラル ネットワーク (DNN) は、サンプリング スペース、解像度、コントラストなどの収集システムの物理パラメータの変化に対して脆弱です。
同じ取得システム内であっても、異なる生体組織のデータセット間ではパフォーマンスが低下します。
この研究では、光コヒーレンストモグラフィー (OCT) ノイズ低減のための数ショット教師あり学習フレームワークを提案します。このフレームワークは、トレーニング速度を大幅に向上させ、単一の画像または画像の一部と、対応するスペックル抑制グラウンドのみを必要とします。
真実、トレーニングのために。
さらに、OCT の多様なイメージング システムに対するドメイン シフト問題を定式化し、斑点除去トレーニング済みモデルの出力解像度がソース ドメイン解像度によって決定されることを証明します。
考えられる対処法も紹介します。
私たちは、アプローチのさまざまな実際的な実装を提案し、それらの適用性、堅牢性、計算効率を検証および比較します。
私たちの結果は、教師あり学習モデルによるコヒーレントおよび非コヒーレントのノイズ低減において、サンプルの複雑さ、一般化、時間効率を全般的に改善する大きな可能性を示しており、他のリアルタイム コンピュータ ビジョン アプリケーションにも活用できます。

要約(オリジナル)

Speckle noise has long been an extensively studied problem in medical imaging. In recent years, there have been significant advances in leveraging deep learning methods for noise reduction. Nevertheless, adaptation of supervised learning models to unseen domains remains a challenging problem. Specifically, deep neural networks (DNNs) trained for computational imaging tasks are vulnerable to changes in the acquisition system’s physical parameters, such as: sampling space, resolution, and contrast. Even within the same acquisition system, performance degrades across datasets of different biological tissues. In this work, we propose a few-shot supervised learning framework for optical coherence tomography (OCT) noise reduction, that offers a dramatic increase in training speed and requires only a single image, or part of an image, and a corresponding speckle suppressed ground truth, for training. Furthermore, we formulate the domain shift problem for OCT diverse imaging systems, and prove that the output resolution of a despeckling trained model is determined by the source domain resolution. We also provide possible remedies. We propose different practical implementations of our approach, verify and compare their applicability, robustness, and computational efficiency. Our results demonstrate significant potential for generally improving sample complexity, generalization, and time efficiency, for coherent and non-coherent noise reduction via supervised learning models, that can also be leveraged for other real-time computer vision applications.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google