Self-supervised OCT Image Denoising with Slice-to-Slice Registration and Reconstruction

要約

強力なスペックル ノイズは光干渉断層撮影 (OCT) イメージングに固有のものであり、疾患の臨床診断とモニタリングの進歩の鍵となる網膜構造の正確な定量分析にとって重大な障害となります。
構造を保持するノイズ低減のための学習ベースの自己教師あり手法は、従来の手法よりも優れたパフォーマンスを実証していますが、OCT イメージングでは特有の課題に直面しています。
コヒーレントな A スキャン ビームによって生成されるボクセルの高い相関は、独立したピクセル ノイズの仮定に違反するため、自己教師あり学習法の有効性を損ないます。
私たちは、この独立性の仮定による既存のモデルの限界を実証する実験を実施します。
次に、OCT 画像のノイズ除去に特化した新しいエンドツーエンドの自己教師あり学習フレームワークを導入し、スライスごとのトレーニングおよび登録モジュールを 1 つのネットワークに統合します。
提案されたアプローチについては、広範なアブレーション研究が実施されています。
以前に公開された自己教師ありノイズ除去モデルとの比較により、提案されたフレームワークのパフォーマンスが向上していることが実証され、優れたセグメンテーション パフォーマンスと定量的分析に向けた前処理ステップとして機能する可能性があります。

要約(オリジナル)

Strong speckle noise is inherent to optical coherence tomography (OCT) imaging and represents a significant obstacle for accurate quantitative analysis of retinal structures which is key for advances in clinical diagnosis and monitoring of disease. Learning-based self-supervised methods for structure-preserving noise reduction have demonstrated superior performance over traditional methods but face unique challenges in OCT imaging. The high correlation of voxels generated by coherent A-scan beams undermines the efficacy of self-supervised learning methods as it violates the assumption of independent pixel noise. We conduct experiments demonstrating limitations of existing models due to this independence assumption. We then introduce a new end-to-end self-supervised learning framework specifically tailored for OCT image denoising, integrating slice-by-slice training and registration modules into one network. An extensive ablation study is conducted for the proposed approach. Comparison to previously published self-supervised denoising models demonstrates improved performance of the proposed framework, potentially serving as a preprocessing step towards superior segmentation performance and quantitative analysis.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google