[论文解读] ADC-Net: An Open-Source Deep Learning Network for Automated Dispersion Compensation in Optical Coherence Tomography

Shaiban Ahmed, David Le+8 more|arXiv (Cornell University)|Jan 29, 2022

Retinal Imaging and Analysis被引用 4

一句话总结

ADC-Net 是一个基于重新设计的 U-Net 架构的开源深度学习框架，通过从部分补偿的输入中预测完全补偿的 B-scan 图像，实现了光学相干断层扫描（OCT）中色散补偿的自动化。该模型在使用五个输入通道时表现最佳，通过峰值信噪比（PSNR）和多尺度结构相似性（MS-SSIM）等指标衡量，显著提升了图像质量，并实现了视网膜 OCT 成像中稳健、自动的分辨率增强。

ABSTRACT

Chromatic dispersion is a common problem to degrade the system resolution in optical coherence tomography (OCT). This study is to develop a deep learning network for automated dispersion compensation (ADC-Net) in OCT. The ADC-Net is based on a redesigned UNet architecture which employs an encoder-decoder pipeline. The input section encompasses partially compensated OCT B-scans with individual retinal layers optimized. Corresponding output is a fully compensated OCT B-scans with all retinal layers optimized. Two numeric parameters, i.e., peak signal to noise ratio (PSNR) and structural similarity index metric computed at multiple scales (MS-SSIM), were used for objective assessment of the ADC-Net performance. Comparative analysis of training models, including single, three, five, seven and nine input channels were implemented. The five-input channels implementation was observed as the optimal mode for ADC-Net training to achieve robust dispersion compensation in OCT

研究动机与目标

• 解决色散色差，这是光学相干断层扫描（OCT）中分辨率退化的主要原因。
• 开发一种无需人工调优和主观调整的自动化、基于深度学习的色散补偿解决方案。
• 通过从部分补偿的输入中预测完全补偿的 B-scan 图像，实现所有视网膜层的图像质量最优化。
• 评估并确定训练深度学习模型时最优的输入通道数量。

提出的方法

• ADC-Net 采用改进的 U-Net 编码器-解码器架构，学习从部分补偿到完全补偿的 OCT B-scan 映射关系。
• 输入由多个已对单个视网膜层进行色散优化的 OCT B-scan 组成，使网络能够学习残差补偿。
• 使用最小化重建误差的损失函数进行训练，性能通过 PSNR 和多尺度结构相似性（MS-SSIM）进行评估。
• 测试了五种不同的输入配置（1、3、5、7、9 个通道），以确定实现稳健性能的最优输入维度。
• 模型在真实 OCT 数据上进行端到端训练，目标是恢复所有视网膜层的完整分辨率。
• 该框架以开源形式发布，支持可复现性，并可集成到临床和研究工作流程中。

实验结果

研究问题

• RQ1 在使用深度学习进行 OCT 色散补偿时，最优的输入通道数量是多少？
• RQ2 深度学习模型是否能够在无需人工干预的情况下，对多样化的 OCT B-scan 实现一致且客观的色散补偿？
• RQ3 与传统方法相比，ADC-Net 模型在 PSNR 和 MS-SSIM 等图像质量指标上的表现如何？
• RQ4 基于 U-Net 的架构在多大程度上提升了 OCT 中自动化色散补偿的准确性与鲁棒性？

主要发现

• 五通道输入配置在 PSNR 和 MS-SSIM 指标上表现最佳，优于使用一、三、七或九个输入通道的模型。
• ADC-Net 显著提升了 OCT B-scan 中所有视网膜层的图像质量，恢复了分辨率。
• 该模型在多样化 OCT 成像数据上表现出强鲁棒性和泛化能力，显示出良好的临床部署潜力。
• 客观指标（PSNR 和 MS-SSIM）证实，预测的完全补偿 B-scan 图像与真实值质量高度接近，验证了模型的有效性。
• ADC-Net 的开源发布促进了其在科研与临床 OCT 成像流程中的广泛应用与集成。