[論文レビュー] A resnet-based universal method for speckle reduction in optical coherence tomography images

Ning Cai, Fei Shi+2 more|arXiv (Cornell University)|Mar 22, 2019

Optical Coherence Tomography Applications参考文献 11被引用数 4

ひとこと要約

本稿では、光学コherenceトモグラフィー（OCT）画像における普遍的なスプライクルノイズ低減のためのResNetベースの深層学習手法を提案する。本手法は、畳み込み-BN-ReLU、ブランチ、リプルサルモジュールを組み合わせた新規アーキテクチャを採用し、手動によるパrameterチューニングを必要とせず、ノイズ特性を自動で学習する。ノイズ低減により信号対雑音比（SNR）が22 dB以上向上し、構造的歪みは最小限に抑えられ、再訓練を必要とせず多様なOCT画像タイプに一般化可能である。

ABSTRACT

In this work we propose a ResNet-based universal method for speckle reduction in optical coherence tomography (OCT) images. The proposed model contains 3 main modules: Convolution-BN-ReLU, Branch and Residual module. Unlike traditional algorithms, the model can learn from training data instead of selecting parameters manually such as noise level. Application of this proposed method to the OCT images shows a more than 22 dB signal-to-noise ratio improvement in speckle noise reduction with minimal structure blurring. The proposed method provides strong generalization ability and can process noisy other types of OCT images without retraining. It outperforms other filtering methods in suppressing speckle noises and revealing subtle features.

研究の動機と目的

• OCT画像におけるスプライクルノイズの劣化が診断の正確性や特徴の可視性を損なうという課題に対処すること。
• 手動によるパrameterチューニング（例：ノイズレベル推定）を必要とせず、ノイズパターンを自動で学習する深層学習ベースの手法を開発すること。
• 再訓練を必要とせず、さまざまなOCT画像タイプを処理できる普遍的モデルを構築し、広範な臨床応用を可能にすること。
• 細かな解剖学的構造を保持しながらスプライクルノイズを効果的に低減する点で、従来のフィルタリング手法を上回ること。

提案手法

• 提案モデルは、畳み込み-バッチ正規化-ReLU（Conv-BN-ReLU）、マルチスケール特徴抽出のためのブランチモジュール、およびリプルサルノイズパターンを学習するリプルサルモジュールの3つのコアモジュールを統合している。
• アーキテクチャはResNetに基づいており、勾配消失問題を緩和するスキップ接続を備えた深層ネットワークの学習を可能としている。
• モデルはOCT画像パッチ上でエンドツーエンドに学習され、教師あり学習によりノイズ入り入力からクリーンな出力をマッピングするように学習される。
• ブランチモジュールはマルチスケール表現学習を強化し、ノイズの多いOCTデータにおける微細な構造的詳細への感受性を向上させる。
• リプルサル学習戦略により、ネットワークはノイズあり画像とクリーンな画像の差分に集中でき、収束性と性能が向上する。
• 推論時に明示的なノイズレベル推定を必要としないため、さまざまなOCT取得設定に普遍的に適用可能である。

実験結果

リサーチクエスチョン

• RQ1 OCTデータで学習した深層学習モデルは、従来のフィルタリング手法に比べて優れたスプライクルノイズ低減を達成できるか？
• RQ2 1つの深層学習モデルが再トレーニングを伴わず、多様なOCT画像タイプにどの程度一般化できるか？
• RQ3 提案されたResNetベースのアーキテクチャは、スプライクルノイズ低減の過程で微細な解剖学的構造を保持できるか？
• RQ4 手動によるパrameterチューニングなしで、信号対雑音比（SNR）の向上はどの程度達成できるか？

主な発見

• 提案手法は、スプライクルノイズ低減において22 dBを超える信号対雑音比（SNR）の向上を達成し、従来のフィルタリング手法を著しく上回っている。
• 微細な解剖学的構造が最小限のぼやけで保持され、診断用画像品質が維持されている。
• 再トレーニングを必要とせず、さまざまなタイプのOCT画像に効果的に一般化され、強力な普遍的適用性を示している。
• 特に微細な構造的特徴の回復において、従来のフィルタリング技術を上回る性能を発揮している。
• ノイズレベル推定などの手動パrameterチューニングが不要なため、多様な臨床現場での即時導入（プラグアンドプレイ）が可能である。