[论文解读] Sparse And Low Rank Decomposition Based Batch Image Alignment for Speckle Reduction of retinal OCT Images

Ahmadreza Baghaie, Roshan M. D’Souza+1 more|arXiv (Cornell University)|Nov 14, 2014

Optical Coherence Tomography Applications参考文献 12被引用 4

一句话总结

本文提出了一种基于稀疏与低秩分解的批量图像配准方法，用于视网膜OCT图像的斑点噪声抑制。通过迭代地将错位的B-scan分解为低秩（结构）和稀疏（噪声/运动）分量，该方法实现了亚像素级配准并提升了去噪性能，在使用50幅输入图像时，其信噪比（SNR）和对比信噪比（CNR）指标优于平移和刚性配准方法。

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.

研究动机与目标

• 为解决视网膜OCT图像中的斑点噪声问题，这是临床解读中的主要限制因素。
• 克服多B-scan采集过程中因眼球运动导致的图像错位问题。
• 通过联合配准与信号-噪声分离，提升去噪性能，超越标准平均法或配准方法。
• 通过利用跨扫描的低秩结构，消除对稳定特征预选的依赖。
• 利用鲁棒主成分分析（RPCA）实现亚像素级配准精度，以获得更好的噪声抑制效果。

提出的方法

• 该方法通过向量化每幅图像并将它们组合成数据矩阵 D ∈ ℝ^{m×n}，处理一组错位的B-scan图像。
• 应用鲁棒主成分分析（RPCA）通过如下优化问题将 D 分解为 L（低秩）和 S（稀疏）分量：min ||L||_* + λ||S||_1，约束条件为 D = L + S。
• 低秩分量 L 表示各扫描间共有的解剖结构，而 S 则捕捉错位、噪声和瞬态特征。
• 通过迭代优化交替更新 L 和 S，提升配准精度与噪声分离效果。
• 最终通过中值滤波处理低秩分量 L 生成去噪图像，以保持结构保真度。
• 该方法天然地处理了眼球运动伪影，并通过将瞬态特征视为稀疏分量，避免了特征预选。

实验结果

研究问题

• RQ1 联合稀疏与低秩分解是否能将OCT扫描中的图像配准精度提升至超过标准平移或刚性配准的水平？
• RQ2 与基于传统配准的平均法相比，所提出的方法在SNR和CNR指标上是否实现了更优的斑点噪声抑制性能？
• RQ3 RPCA在多扫描OCT去噪中能在多大程度上消除对稳定特征预选的需求？
• RQ4 当面对由眼动微颤引起的亚像素错位时，该方法表现如何？
• RQ5 基于迭代RPCA的配准是否能增强真实解剖结构与斑点及运动伪影之间的分离？

主要发现

• 在所有测试的输入图像数量（5–50）下，所提方法在SNR和CNR提升方面均优于平移和刚性配准方法。
• 当使用50幅输入图像时，该方法在SNR和CNR方面表现出显著提升，如图2和图3所示，表明其具有更优的噪声抑制能力。
• 最终去噪图像（图1b）清晰保留了细小的视网膜结构并减少了斑点噪声，优于基于ImageJ的配准技术。
• 通过迭代RPCA实现了亚像素级配准精度，从而提升了信噪比增强效果。
• 通过将血流影子和离焦结构等瞬态特征视为稀疏分量，该方法有效消除了这些伪影。
• 该方法无需预选稳定特征，因为RPCA能自动识别并保留低秩分量中最具一致性的解剖模式。