[論文レビュー] Optical Coherence Tomography Image Enhancement via Block Hankelization and Low Rank Tensor Network Approximation

Farnaz Sedighin, Andrzej Cichocki+1 more|arXiv (Cornell University)|Jun 19, 2023

Optical Coherence Tomography ApplicationsEngineering被引用数 3

ひとこと要約

本稿では、空間的再冗長性を活用するための重複パッチ・ハンケル化と、段階的なランク増加を伴うテンソル・リング（TR）分解を用いた、新しい光学コherenceトモグラフィ（OCT）超解像法を提案する。低解像度でノイズの多いOCT画像の品質向上を図り、PSNRおよびSSIMの両面で最先端のテンソルベースおよびディープラーニング手法を上回る性能を達成した。

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.

研究の動機と目的

• 運動アーチファクトや低サンプリングレートによって引き起こされる低解像度でノイズの多いOCT画像の課題に対処すること。
• OCTデータ内の構造的再冗長性を効果的に捉えるテンソルベースの超解像フレームワークを開発すること。
• 2次元画像を高次元テンソルに変換するための、新規の重複パッチ・ハンケル化手法を導入し、テンソルネットワーク近似の向上を図ること。
• 最適ランクの事前知識が不要なランク増加型テンソル・リング分解を採用し、再構成精度を向上させること。
• OCTおよび自然画像データセットの両方で手法を検証し、汎用性とロバスト性を示すこと。

提案手法

• 本手法は、重複パッチ・ハンケル化から開始され、低解像度OCT画像を相互パッチ相関を活用するための6次元テンソルに変換する。
• 得られたテンソルは、段階的なランク最適化を用いたテンソル・リング（TR）分解により近似される。
• 最適化プロセスは、データ適合性と低ランク構造のバランスを取るコスト関数を最小化することで、収束性とノイズ抑制を確保する。
• TR分解は反復的に計算され、収束または最大ランクに達するまでコアテンソルのランクを段階的に増加させる。
• 最終的な出力は、後処理のスムージングを施さずにTR要因から再構成されるため、微細なディテールが保持される。
• 本手法は汎用的であり、OCTおよび自然画像の両方でテストされ、広範な適用可能性が示された。

実験結果

リサーチクエスチョン

• RQ1 重複パッチのブロック・ハンケル化は、超解像のための低解像度OCT画像表現を効果的に向上させることができるか？
• RQ2 ランク増加型最適化を用いたテンソル・リング分解は、固定ランク手法と比較してOCT画像再構成をどのように改善するか？
• RQ3 本手法を用いた場合、パッチの重なりが再構成されたOCT画像の品質に与える影響は何か？
• RQ4 本手法は、最先端のテンソルベースおよびディープラーニング手法と比較して、OCT超解像でどのように優れているか？
• RQ5 本手法は、同等またはそれ以上の性能で自然画像超解像に一般化可能か？

主な発見

• 自然画像超解像において、本手法はPSNR 26.5846 dB、SSIM 0.8238を達成し、MDT、HALRTC、TRLRF、TT-WOPTを上回った。
• Aスキャンが50%欠損しているOCT画像において、本手法はPSNR 29.3439 dB、SSIM 0.7041を達成し、ベースライン手法を顕著に上回った。
• 重複パッチの使用により、非重複パッチと比較して再構成品質が向上しており、PSNRおよびSSIMの向上が確認された。
• ランク増加反復の過程でコスト関数が単調に減少したため、収束性と安定した最適化が確認された。
• 過剰なランク増加は画像品質を劣化させたため、ノイズ抑制とディテール保持の最適ランク範囲が存在することが示された。
• 本手法は優れた汎用性を示し、後処理スムージングなしにOCTおよび自然画像の両方で高い性能を達成した。