[논문 리뷰] Sparse And Low Rank Decomposition Based Batch Image Alignment for Speckle Reduction of retinal OCT Images

Ahmadreza Baghaie, Roshan M. D’Souza외 1명|arXiv (Cornell University)|2014. 11. 14.

Optical Coherence Tomography Applications참고 문헌 12인용 수 4

한 줄 요약

이 논문은 망막 OCT 영상에서 스펙클 노이즈를 감소시키기 위해 희박하고 낮은 질서 분해 기반의 배치 이미지 정렬 방법을 제안한다. 반복적으로 잘못 정렬된 B-스캔을 낮은 질서(구조적) 및 희박(노이즈/운동) 성분으로 분해함으로써, 이 방법은 아예 픽셀 이하 정밀도의 정렬과 개선된 노이즈 제거를 달성하며, 50장의 입력 영상으로 50장의 입력 영상에서 SNR 및 CNR 지표에서 이동 및 강체 정렬보다 뛰어난 성능을 보인다.

ABSTRACT

Optical Coherence Tomography (OCT) is an emerging technique in the field of biomedical imaging, with applications in ophthalmology, dermatology, coronary imaging etc. Due to the underlying physics, OCT images usually suffer from a granular pattern, called speckle noise, which restricts the process of interpretation. Here, a sparse and low rank decomposition based method is used for speckle reduction in retinal OCT images. This technique works on input data that consists of several B-scans of the same location. The next step is the batch alignment of the images using a sparse and low-rank decomposition based technique. Finally the denoised image is created by median filtering of the low-rank component of the processed data. Simultaneous decomposition and alignment of the images result in better performance in comparison to simple registration-based methods that are used in the literature for noise reduction of OCT images.

연구 동기 및 목표

• 망막 OCT 영상에서의 스펙클 노이즈를 해결함으로써 임상적 해석의 주요 제한 요소를 극복하기 위해.
• 다중 B-스캔 촬영 중 눈의 움직임으로 인한 정렬 오류를 극복하기 위해.
• 일반적인 평균화나 정렬 기법을 초월해 신호와 노이즈를 동시에 정렬하고 분리함으로써 노이즈 제거 성능을 향상시키기 위해.
• 저질서 구조를 활용하여 안정적인 특징의 사전 선택이 필요 없도록 하기 위해.
• 더 나은 노이즈 억제를 위해 더 높은 정확도의 아예 픽셀 이하 정렬을 달성하기 위해 강력한 주성분 분석(RPCA)을 사용하기 위해.

제안 방법

• 이 방법은 잘못 정렬된 B-스캔 스택을 처리하기 위해 각 영상을 벡터화하고 데이터 행렬 D ∈ ℝ^{m×n}을 구성한다.
• 강력한 주성분 분석(RPCA)을 적용하여 D를 L(낮은 질서) 및 S(희박) 성분으로 분해한다. 최적화 문제를 통해 수행된다: min ||L||_* + λ||S||_1, 제약 조건 D = L + S.
• 낮은 질서 성분 L은 스캔 간 공통된 해부학적 구조를 나타내며, S는 정렬 오류, 노이즈, 일시적인 특징을 포괄한다.
• 반복적인 정밀 조정은 L과 S를 번갈아 갱신함으로써 정렬 정확도와 노이즈 분리 성능을 향상시킨다.
• 최종적으로 노이즈 제거된 영상은 낮은 질서 성분 L에 대해 중앙값 필터링을 적용하여 생성되며, 구조적 무결성을 유지한다.
• 이 방법은 눈의 움직임으로 인한 잡음 요소를 내재적으로 처리하며, 일시적인 특징을 희박한 성분으로 간주함으로써 특징 사전 선택이 필요 없도록 한다.

실험 결과

연구 질문

• RQ1 공통된 희박성 및 낮은 질서 분해가 기존의 이동 또는 강체 정렬 기법을 초월해 OCT 스캔에서 이미지 정렬 정확도를 향상시킬 수 있는가?
• RQ2 제안된 방법이 전통적인 정렬 기반 평균화 기법과 비교해 더 나은 스펙클 감소 성능을 보일 수 있는가? SNR 및 CNR 측면에서 평가한다.
• RQ3 다중 스캔 OCT 노이즈 제거에서 안정적인 특징의 사전 선택이 필요 없도록 RPCA가 얼마나 효과적으로 기능하는가?
• RQ4 망막의 미세 떨림으로 인한 아예 픽셀 이하 정렬 오류를 다룰 때 이 방법은 어떻게 성능을 발휘하는가?
• RQ5 반복적인 RPCA 기반 정렬이 진짜 해부학적 구조와 스펙클, 운동 잡음 간의 분리 성능을 향상시킬 수 있는가?

주요 결과

• 제안된 방법은 테스트된 모든 입력 영상 수(5~50장)에서 이동 및 강체 정렬 방법보다 더 높은 SNR 및 CNR 향상을 달성했다.
• 50장의 입력 영상으로 실험한 결과, 그림 2 및 그림 3에서 나타나듯이 뚜렷한 SNR 및 CNR 향상이 있었으며, 이는 뛰어난 노이즈 억제 능력을 시사한다.
• 최종 노이즈 제거 영상(그림 1b)은 미세한 망막 구조를 명확히 유지하면서 스펙클이 감소한 모습을 보이며, ImageJ 기반 정렬 기법보다 뛰어난 성능을 보였다.
• 반복적인 RPCA를 통해 아예 픽셀 이하 정렬 정확도를 확보함으로써 더 나은 신호 대 노이즈 비율 향상이 가능했다.
• 혈관 그림자나 초점이 흐린 구조와 같은 일시적인 특징은 희박한 성분으로 간주함으로써 효과적으로 제거되었다.
• RPCA가 낮은 질서 성분에 가장 일관된 해부학적 패턴을 자동으로 식별하고 유지함으로써 안정적인 특징의 사전 선택이 필요 없어졌다.