[論文レビュー] Super-Resolution and Denoising of Corneal B-Scan OCT Imaging Using Diffusion Model Plug-and-Play Priors

Yaning Wang, Jinglun Yu+5 more|arXiv (Cornell University)|Feb 2, 2026

Optical Coherence Tomography Applications被引用数 0

ひとこと要約

この論文は、コーネアルBスキャンOCT画像の4x超解像とノイズ除去を実現する拡散モデルプラグアンドプレイ priors フレームワークを提案し、ベイジアン逆問題とMCMCサンプリングおよび事前学習済み priors に基づいている。

ABSTRACT

Optical coherence tomography (OCT) is pivotal in corneal imaging for both surgical planning and diagnosis. However, high-speed acquisitions often degrade spatial resolution and increase speckle noise, posing challenges for accurate interpretation. We propose an advanced super-resolution framework leveraging diffusion model plug-and-play (PnP) priors to achieve 4x spatial resolution enhancement alongside effective denoising of OCT Bscan images. Our approach formulates reconstruction as a principled Bayesian inverse problem, combining Markov chain Monte Carlo sampling with pretrained generative priors to enforce anatomical consistency. We comprehensively validate the framework using \emph{in vivo} fisheye corneal datasets, to assess robustness and scalability under diverse clinical settings. Comparative experiments against bicubic interpolation, conventional supervised U-Net baselines, and alternative diffusion priors demonstrate that our method consistently yields more precise anatomical structures, improved delineation of corneal layers, and superior noise suppression. Quantitative results show state-of-the-art performance in peak signal-to-noise ratio, structural similarity index, and perceptual metrics. This work highlights the potential of diffusion-driven plug-and-play reconstruction to deliver high-fidelity, high-resolution OCT imaging, supporting more reliable clinical assessments and enabling advanced image-guided interventions. Our findings suggest the approach can be extended to other biomedical imaging modalities requiring robust super-resolution and denoising.

研究の動機と目的

• 手術計画と診断のための高忠実度コーネアルOCT画像診断を促進するため、迅速な取得時の解像度低下と斑状ノイズを対象に改善する。
• OCT Bスキャンで解剖学的一貫性を維持しつつ、4x超解像とノイズ除去のフレームワークを開発する。
• principled Bayesian reconstruction において拡散 priors を活用し、コーネアル層の描写を改善する。

提案手法

• 再構成を測定値と拡散モデル prior を組み合わせたベイジアン逆問題として定式化する。
• 再構成中の解剖学的一貫性を強制するためにMarkov chain Monte Carlo サンプリングを使用する。
• 超解像とノイズ除去を誘導するプラグアンドプレイ成分として事前学習済み生成 priors を活用する。
• 臨床現場の頑健性を評価するために生体 fisheye コーネアルデータセットで検証する。
• bicubic 補間法、監督付き U-Net ベースライン、および代替拡散 priors と比較する。
• 解剖学的忠実性、層の描写、およびノイズ抑制の改善を報告する。

実験結果

リサーチクエスチョン

• RQ1 diffusion model プラグアンドプレイ priors はコーネアル OCT Bスキャンの4x 超解像と効果的なノイズ除去を実現できるか。
• RQ2 ベイジアン reconstruction と MCMC サンプリングは、従来法と比べて解剖学的に一貫した高品質な OCT 画像を生み出すか。
• RQ3 提案手法は多様な臨床現場の生体 fisheye コーネアルデータセットでどの程度適用可能か。
• RQ4 diffusion-prior ベースの再構成は Baseline と比べて PSNR、SSIM、知覚指標を改善するか。
• RQ5 ロバストな超解像とノイズ除去を必要とする他の生物医療画像モダリティへ拡張可能か。

主な発見

• 手法は4xの空間解像度向上と効果的なノイズ除去を実現する。
• bicubic補間や従来の U-Net ベースラインと比較して、解剖学的構造のより正確な描写とコーネアル層のより良い描出をもたらす。
• 拡散 priors と MCMC ベースの再構成はノイズ抑制の優位性と高品質な画像を提供する。
• 定量的結果はピーク信号対雑音比、構造類似性指数、知覚指標で最先端の性能を示す。
• 生体データセットでの検証は臨床現場での頑健性とスケーラビリティを示す。
• この手法は頑健な超解像とノイズ除去を必要とする他の生物医療画像モダリティへの拡張の可能性を持つ。