ディープラーニングを使用したOCTでの確率的ボリュームスペックル抑制

OCTデータの体積性を活用する条件付き生成敵意（CGAN）に基づいて、光学コヒーレンス断層撮影（OCT）の体積標本削減のための深い学習フレームワークを提示します。OCTデータの体積性を利用するために、当社のネットワークは入力として部分的なOCTボリュームを取得し、3つの次元すべてで優れたスペックルの削減と解像度の保存を示すアーティファクトフリーのデスペクトルボリュームをもたらします。さらに、トレーニングデータを生成するためにボリューム測定の非ローカル手段を使用して、監視されたスペックル抑制の深い学習フレームワークのグラウンドトゥルースデータを生成するという継続的な課題に対処します。Tnode処理は計算的に要求が厳しいものの、トレーニングデータの便利でアクセス可能な金標準のソースとして機能することを示しています。私たちのCGANは、寸法を備えた組織構造を保存しながら、非ローカルの解像度に近づいている間、TNODEよりも2桁速いと寸法を維持しながら、スペックルの効率的な抑制を複製します。既存のディープラーニング方法と比較して、3つの異なるOCTシステムで取得したさまざまな組織タイプで提案されたネットワークの高速で効果的で高品質の遅延を示します。私たちの作業のオープンソースの性質により、オールソフトウェアの実装により、あらゆるOCTシステムでの再トレーニングと展開が容易になり、高品質のスペックルフリーのトレーニングデータを生成するという課題を取り上げています。

We present a deep learning framework for volumetric speckle reduction in optical coherence tomography (OCT) based on a conditional generative adversarial network (cGAN) that leverages the volumetric nature of OCT data. In order to utilize the volumetric nature of OCT data, our network takes partial OCT volumes as input, resulting in artifact-free despeckled volumes that exhibit excellent speckle reduction and resolution preservation in all three dimensions. Furthermore, we address the ongoing challenge of generating ground truth data for supervised speckle suppression deep learning frameworks by using volumetric non-local means despeckling-TNode to generate training data. We show that, while TNode processing is computationally demanding, it serves as a convenient, accessible gold-standard source for training data; our cGAN replicates efficient suppression of speckle while preserving tissue structures with dimensions approaching the system resolution of non-local means despeckling while being two orders of magnitude faster than TNode. We demonstrate fast, effective, and high-quality despeckling of the proposed network in different tissue types acquired with three different OCT systems compared to existing deep learning methods. The open-source nature of our work facilitates re-training and deployment in any OCT system with an all-software implementation, working around the challenge of generating high-quality, speckle-free training data.