基于深度学习的光学相干层析成像体扫描中筛前区三维自动分割的降噪方法

深度学习(DL)以降噪算法为基础，结合船舶阴影补偿方法和三维(3D)分割技术实现了据目前所知的第一个自动分割筛前区 (LC)体积眼科光学相干断层扫描(OCT)扫描。近日，来自美国奥克兰的研究人员们开发了一种基于DL的OCT降噪算法，该算法的训练不需要无噪声的地面实况图像，通过利用深度学习的最新发展成果实现单一噪声图像的去噪，并且该方法被证明能够覆盖更多的位置如在视网膜和疾病情况等不同类型，从而实现了高鲁棒性。与原始单个OCT图像相比，峰值信噪比提高6.6 dB，结构相似度指数提高了0.65。血管阴影补偿方法分析了每条A线的能量分布，自动补偿被检测血管下方位置的像素强度。结合降噪算法和阴影补偿及对比度增强技术，医学专家能够识别98.3% 的OCT图像中的LC前表面。该算法采用了基于梯度信息和相邻图像信息的两轮分割方法。在一项涉及36名受试者的180个B扫描的验证研究中，准确率达到90.6%，相比之下，原始图像的准确率为64.4%。据目前所知，这一成像和分析策略使首次自动完整地看到LC前表面，该方法可能在青光眼诊断和管理的LC新参数开发中具有潜力。

图：3D LC前表面深度示例。(A) LC前表面的3D分割 (B) 2D显示深度图