[论文解读] Super-Resolution and Denoising of Corneal B-Scan OCT Imaging Using Diffusion Model Plug-and-Play Priors

Yaning Wang, Jinglun Yu+5 more|arXiv (Cornell University)|Feb 2, 2026

Optical Coherence Tomography Applications被引用 0

一句话总结

本论文提出一个扩散模型的即插即用先验框架，以实现角膜B扫 OCT 图像的4x超分辨率与去噪，将其形式化为带有MCMC采样和预训练先验的贝叶斯逆问题。

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.

研究动机与目标

• 通过解决快速采集中的分辨率下降和斑噪问题，推动用于手术规划与诊断的高保真角膜OCT成像。
• 开发一个4x超分辨率与去噪框架，保持OCT B-scan中的解剖一致性。
• 在基于原则的贝叶斯重建中利用扩散先验，以改进角膜层的轮廓 delineation。

提出的方法

• 将重建表述为贝叶斯逆问题，将扩散模型先验与测量相结合。
• 使用Markov链蒙特卡罗采样在重建过程中强制保持解剖一致性。
• 将预训练生成先验作为即插即用组件，指导超分辨率和去噪。
• 在体眼 fisheye 角膜数据集上进行验证，以评估在临床环境中的鲁棒性。
• 与双三次插值、监督型U-Net基线以及替代扩散先验进行比较。
• 报告在解剖保真度、层分界和噪声抑制方面的改进。

实验结果

研究问题

• RQ1 扩散模型的即插即用先验能否实现角膜OCT B-scan的4x超分辨率同时有效去噪？
• RQ2 带有MCMC采样的贝叶斯重建是否比传统方法产出解剖一致且更高质量的OCT图像？
• RQ3 在多样临床环境下的在体fisheye角膜数据集上，该方法的表现如何？
• RQ4 相较基线方法，基于扩散先验的重建在PSNR、SSIM和感知性指标上是否有所提升？
• RQ5 该方法是否可扩展到需要鲁棒超分辨率与去噪的其他生物医学成像模式？

主要发现

• 该方法实现了4x的空间分辨率提升并有效去噪。
• 与双三次插值和传统U-Net基线相比，该方法在解剖结构的准确性和角膜层的分界方面表现更好。
• 扩散先验与MCMC重建在噪声抑制和图像质量方面具有优势。
• 定量结果在峰值信噪比、结构相似性指数和感知性指标上显示了最先进的性能。
• 在体数据集的验证表明其在临床环境中的鲁棒性与可扩展性。
• 该方法有望扩展到其他需要鲁棒超分辨率与去噪的生物医学成像模式。