[论文解读] 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 3

一句话总结

本文提出了一种新颖的光学相干断层扫描（OCT）超分辨率方法，通过在分块汉克尔化块上使用张量环（TR）分解，以增强低分辨率、含噪的OCT图像。通过应用重叠块汉克尔化以利用空间冗余性，并迭代增加TR秩，该方法在PSNR和SSIM指标上均优于最先进的基于张量和深度学习的方法，在OCT图像和自然图像上均实现了更优的图像质量。

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.

研究动机与目标

• 解决由运动伪影和低采样率引起的低分辨率和含噪OCT图像问题。
• 开发一种基于张量的超分辨率框架，以有效捕捉OCT数据中的结构冗余性。
• 提出一种新颖的重叠块汉克尔化方法，将二维图像转换为高阶张量，以提升张量网络逼近效果。
• 采用秩递增的张量环分解，避免对最优秩的先验知识，从而提升重建精度。
• 在OCT和自然图像数据集上验证该方法，证明其泛化能力与鲁棒性。

提出的方法

• 该方法首先进行重叠块汉克尔化，将低分辨率OCT图像转换为六阶张量，以利用块间相关性。
• 利用具有秩递增优化的张量环（TR）分解对所得张量进行逼近，逐步提升重建质量。
• 优化过程最小化一个兼顾数据保真度与低秩结构的代价函数，确保收敛性并实现噪声抑制。
• TR分解通过迭代方式计算，逐步增加核心张量的秩，直至收敛或达到最大秩。
• 最终输出从TR因子中重建，无需后处理平滑，从而保留了精细细节。
• 该方法具有良好的泛化能力，并在OCT和自然图像上进行了测试，以证明其广泛适用性。

实验结果

研究问题

• RQ1 分块汉克尔化重叠块是否能有效增强低分辨率OCT图像在超分辨率任务中的表征能力？
• RQ2 与固定秩方法相比，采用秩递增优化的张量环分解在OCT图像重建中如何提升性能？
• RQ3 在所提方法中，块重叠对重建OCT图像质量有何影响？
• RQ4 与最先进的基于张量和深度学习的OCT超分辨率方法相比，该方法表现如何？
• RQ5 所提方法能否在自然图像超分辨率任务中实现相当或更优的性能，展现良好的泛化能力？

主要发现

• 在自然图像超分辨率任务中，该方法实现了26.5846 dB的PSNR和0.8238的SSIM，优于MDT、HALRTC、TRLRF和TT-WOPT方法。
• 对于A-scan缺失50%的OCT图像，该方法实现了29.3439 dB的PSNR和0.7041的SSIM，显著优于基线方法。
• 使用重叠块提升了重建质量，表现为相较于非重叠块，PSNR和SSIM更高。
• 在秩递增迭代过程中，代价函数单调下降，证实了收敛性与优化稳定性。
• 过度增加秩会降低图像质量，表明存在一个最优秩范围，可实现噪声抑制与细节保留的平衡。
• 该方法展现出强大的泛化能力，在OCT图像和自然图像上均实现了高性能，且无需后处理平滑。