[논문 리뷰] Optical Coherence Tomography Image Enhancement via Block Hankelization and Low Rank Tensor Network Approximation

Farnaz Sedighin, Andrzej Cichocki외 1명|arXiv (Cornell University)|2023. 06. 19.

Optical Coherence Tomography ApplicationsEngineering인용 수 3

한 줄 요약

이 논문은 공간 재현성을 활용하기 위해 블록 헨켈라이제이션된 패치에 텐서 링(TR) 분해를 적용하는 새로운 광간섭단층촬영(OCT) 초해상도 방법을 제안한다. 저해상도이고 노이즈가 많은 OCT 영상을 향상시키기 위해, 겹치는 패치 헨켈라이제이션을 적용하여 공간적 재현성을 활용하고, 반복적으로 TR 랭크를 증가시킴으로써 우수한 영상 품질을 달성한다. 이는 OCT 및 자연 영상에서 상태의 초해상도 기반 및 딥러닝 방법보다 PSNR와 SSIM 측면에서 뛰어난 성능을 보인다.

ABSTRACT

In this paper, the problem of image super-resolution for Optical Coherence Tomography (OCT) has been addressed. Due to the motion artifacts, OCT imaging is usually done with a low sampling rate and the resulting images are often noisy and have low resolution. Therefore, reconstruction of high resolution OCT images from the low resolution versions is an essential step for better OCT based diagnosis. In this paper, we propose a novel OCT super-resolution technique using Tensor Ring decomposition in the embedded space. A new tensorization method based on a block Hankelization approach with overlapped patches, called overlapped patch Hankelization, has been proposed which allows us to employ Tensor Ring decomposition. The Hankelization method enables us to better exploit the inter connection of pixels and consequently achieve better super-resolution of images. The low resolution image was first patch Hankelized and then its Tensor Ring decomposition with rank incremental has been computed. Simulation results confirm that the proposed approach is effective in OCT super-resolution.

연구 동기 및 목표

• 운동 아티팩트와 낮은 샘플링 속도로 인한 저해상도이자 노이즈가 많은 OCT 영상 문제를 해결하기 위해.
• OCT 데이터의 구조적 재현성을 효과적으로 포착할 수 있는 텐서 기반 초해상도 프레임워크를 개발하기 위해.
• 2차원 영상을 고차원 텐서로 변환하여 텐서 네트워크 근사의 정밀도를 향상시키기 위해 새로운 겹치는 패치 헨켈라이제이션 방법을 도입하기 위해.
• 최적의 랭크에 대한 사전 지식이 필요 없도록 랭크 증가 최적화를 활용하여 재구성 정확도를 향상시키기 위해.
• OCT 및 자연 영상 데이터셋에서의 성능 검증을 통해 일반화 능력과 강건성을 입증하기 위해.

제안 방법

• 이 방법은 겹치는 패치 헨켈라이제이션으로 시작하여, 저해상도 OCT 영상을 상호 패치 상관관계를 활용하기 위해 6차원 텐서로 변환한다.
• 결과로 생성된 텐서는 랭크 증가 최적화를 사용한 텐서 링(TR) 분해를 통해 근사화된다.
• 최적화 과정은 데이터 무결성과 낮은 랭크 구조 간의 균형을 맞추는 비용 함수를 최소화하여 수렴성과 노이즈 억제를 보장한다.
• TR 분해 과정은 반복적으로 수행되며, 수렴하거나 최대 랭크에 도달할 때까지 코어 텐서의 랭크를 점진적으로 증가시킨다.
• 최종 출력은 후처리 스무딩 없이 TR 요소들로부터 재구성되며, 세밀한 세부 사항을 유지한다.
• 이 접근은 일반화 가능하며, 광범위한 적용성을 입증하기 위해 OCT 및 자연 영상에서 테스트된다.

실험 결과

연구 질문

• RQ1 겹치는 패치의 블록 헨켈라이제이션은 저해상도 OCT 영상의 표현을 초해상도에 효과적으로 향상시킬 수 있는가?
• RQ2 랭크 증가 최적화를 적용한 텐서 링 분해는 고정 랭크 방법에 비해 OCT 영상 재구성에 어떤 영향을 미치는가?
• RQ3 제안된 방법을 사용할 때 패치 겹침의 영향은 재구성된 OCT 영상 품질에 어떤 영향을 미치는가?
• RQ4 제안된 방법은 상태의 초해상도 기반 및 딥러닝 방법에 비해 OCT 초해상도에서 어떤 성능을 보이는가?
• RQ5 제안된 방법은 유사하거나 더 높은 성능을 달성할 수 있는 자연 영상 초해상도에 일반화될 수 있는가?

주요 결과

• 제안된 방법은 자연 영상 초해상도에서 PSNR 26.5846 dB, SSIM 0.8238을 기록하여 MDT, HALRTC, TRLRF, TT-WOPT를 모두 능가했다.
• 50%의 A-스캔 손실이 있는 OCT 영상에 대해, 방법은 PSNR 29.3439 dB, SSIM 0.7041을 달성하여 기준 방법들보다 뚜렷이 뛰어난 성능을 보였다.
• 겹치는 패치의 사용은 비겹치는 패치 대비 더 높은 PSNR와 SSIM를 통해 재구성 품질 향상을 입증했다.
• 랭크 증가 반복 과정 중 비용 함수가 단조롭게 감소하여 수렴성과 안정적인 최적화를 확인했다.
• 과도한 랭크 증가는 영상 품질을 떨어뜨려 노이즈 억제와 세부 사항 유지에 최적의 랭크 범위가 존재함을 시사했다.
• 이 방법은 강력한 일반화 능력을 보였으며, 후처리 스무딩 없이도 OCT 및 자연 영상 양쪽에서 높은 성능을 달성했다.