بهبود کیفیت تصاویر توموگرافی انسجام نوری (OCT) با یادگیری عمیق

یکی از چالشهای اصلی در تصاویر OCT حضور نویز اسپپلکل که بهطور قابل توجهی کیفی تصاویر را کاهش میدهد. این مقاله دو روش مبتنی بر یادگیری عمیق و پردازش تصویر سنتی بپپرای بهبپپود کیفی تصاویر OCT و کاهش نویز اسپپلکل بپپدون نیپپاز بپپه تصپپاویر مرجپپپد بپپپدون نپپپویز ارا پپپه می دهپپپد. در روش اوت، ترکیبپپپی از معماریهای UNet و ResNet بهکار گرفته شده اسپپ ، بهطوریکپه بخش رمزگذار UNet با ResNet تلفیق شده تا نویز اسلکل کپپاهش یافته و جز یات ساختاری بهصورت دقیق تر بازیابی شوند. اگرچه ایپپن روش توانس نویز را به طور موثری کپپاهش دهپپد، امپپا واپپو نهپپایی تصویر کمی کاهش یاف . در روش دوم، از معماری UNet همپپراه بپپا فیلتر میانگین غیرمحلی به عنوان یک پسپردازش استفاده شده که منجر به حذف نویز اسلکل و بهبود واو و کنتراس تصویر شد. این دو روش بپپا اسپپتفاده از معیارهپپای PSNR، SSIM و MSE ارزیپپابی شد ند. نتایج نشان داد که روش دوم از لحپپاک کپپاهش نپپویز و بهبپپود کیفی تصپپویر عملکپپرد بهتپپری دارد، بهطوریکپپه مقپپادیرPSNR ، SSIM و MSE به ترتیب ۸۸/۲۸ ،۷۶/۰ و ۰۵/۸۴ به دس آمدنپپد و برتری این روش را نسب به سپپایر روش هپپای مپپورد بررسپپی در ایپپن مقاله نشان میدهند.

کلیدواژه ها:

توموگرافی انسجام نوری ، یادگیری عمیق ، بهبود کیفی تصویر ، نویز اسلکل ، تجزیه و تحلیل تصاویر پزشکی