[논문 리뷰] Super-Resolution and Denoising of Corneal B-Scan OCT Imaging Using Diffusion Model Plug-and-Play Priors

Yaning Wang, Jinglun Yu외 5명|arXiv (Cornell University)|2026. 02. 02.

Optical Coherence Tomography Applications인용 수 0

한 줄 요약

본 논문은 diffusion-model plug-and-play priors 프레임워크를 제시하여 corneal B-scan OCT 이미지의 4x 초해상도와 노이즈 제거를 달성하고, MCMC 샘플링과 pretrained priors를 갖춘 Bayesian inverse problem으로 공식화합니다.

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.

연구 동기 및 목표

• 수술 계획 및 진단을 위한 고충실도 corneal OCT 이미징을 자극하고, 빠른 획득에서의 해상 저하와 speckle noise를 해결합니다.
• OCT B-scans에서 해부학적 일관성을 보존하는 4x 초해상도 및 denoising 프레임워크를 개발합니다.
• 원리적 Bayesian 재구성에서 diffusion priors를 활용하여 corneal 층의 구분을 개선합니다.

제안 방법

• 재구성을 Measurements와 결합한 diffusion-model priors를 포함하는 Bayesian inverse problem으로 형식화합니다.
• 재구성 중 해부학적 일관성을 보장하기 위해 Markov chain Monte Carlo sampling을 사용합니다.
• 초해상도 및 denoising를 안내하기 위해 pretrained generative priors를 plug-and-play 구성요소로 활용합니다.
• 임상 현장에서의 강건성을 평가하기 위해 in vivo fisheye corneal 데이터셋에서 검증합니다.
• bicubic interpolation, supervised U-Net baselines, 및 대안 diffusion priors와 비교합니다.
• 해부학적 충실도, 층 구분, 노이즈 저감의 개선을 보고합니다.

실험 결과

연구 질문

• RQ1 diffusion model plug-and-play priors가 corneal OCT B-scans의 4x 초해상도와 함께 효과적으로 denoise를 달성할 수 있는가?
• RQ2 Bayesian 재구성에서 MCMC 샘플링이 기존 방법과 비교해 해부학적으로 일관되고 더 높은 품질의 OCT 이미지를 산출하는가?
• RQ3 제안된 방법이 다양한 임상 환경에서 in vivo fisheye corneal 데이터셋에서 어떻게 수행되는가?
• RQ4 diffusion-prior 기반 재구성이 baselines에 비해 PSNR, SSIM, 지각적 지표를 개선하는가?
• RQ5 Robust한 super-resolution 및 denoising이 필요한 다른 생의학 영상 모달리티에 이 접근법이 확장 가능한가?

주요 결과

• 이 방법은 4x 공간 해상도 향상과 효과적인 denoising을 달성합니다.
• bicubic interpolation 및 기존 U-Net baselines와 비교할 때 해부학적 구조가 더 정확하고 corneal 층 구분이 더 우수합니다.
• diffusion-prior 및 MCMC 기반 재구성은 노이즈 억제에 우수하고 더 높은 품질의 이미지를 제공합니다.
• 정량적 결과에서 PSNR, 구조적 유사도 지수, 지각 지표에서 최첨단 성능을 보입니다.
• in vivo 데이터셋에서 임상 환경 전반에 걸친 강건성과 확장성을 입증합니다.
• 이 접근법은 robust한 super-resolution 및 denoising이 필요한 다른 생의학 영상 모달리티로의 확장 가능성이 있습니다.