基于多尺度稀疏表示的视网膜OCT图像阴影修复

原文：Multi-scale Sparse Representation-Based Shodow Inpainting for Retinal OCT Images

Tang Yaoqi, Li Yufan, Liu Hongshan, Li Jiaxuan, Jin Peiyao, Gan Yu, Ling Yuye, Su Yikai. Multi-scale Sparse Representation-Based Shadow Inpainting for Retinal OCT Images. Medical Imaging(2022).

---

---

一、研究背景

眼科诊断对于眼科疾病的预防和治疗具有十分重要的作用，光学相干断层扫描（Optical Coherence Tomography, OCT）作为一种非侵入式、高分辨率的成像方式，已被应用于眼科临床诊断中，可以用于生成眼底视网膜图像。
然而，视网膜OCT图像会存在由于表层血管强散射造成的伪影，这些伪影会破坏视网膜的连续结构，影响OCT扫描系统后处理的效果，降低相关疾病的诊断准确率。

上图为视网膜OCT图像。ILM：内界膜，OPL：外从状层，IS/OS：椭圆体区，RPE：色素上皮，BM：Bruch膜，S：浅层视网膜，D：深层视网膜，R：视网膜（浅层+深层视网膜），O：外层视网膜，Oa：椭圆体区之上的外层视网膜。

目的：探索一种可以修复视网膜OCT图像伪影的自动化处理方法。
贡献：提出了一种结合传统方法和深度学习方法的算法框架。缓解了传统方法的修复效果随着修复面积的增大而降低，而深度学习算法需要庞大眼科影像数据和计算时间的问题。在合成伪影和真实伪影上都取得了较好的效果，能够在小样本和短训练时间的情况下，大幅提高后续分割算法的性能，具有很好的实时性。

方法概述：多尺度稀疏表征阴影填补框架，从而在不同尺度上重建阴影区域。通过稀疏表征提取结构信息，然后借助基于CNN的超分辨率模块进行融合。此外，还设计了正则化模块来约束重构的输出，同时合并其他尺度的信息。

二、方法

（一）框架

方法框架如上图所示，分为1)预处理，2)图像填补，3）后处理三部分。

• 在预处理过程中，将包含阴影的视网膜OCT图像进行展平，然后用基于A-line的阴影检测算法检测阴影部分。
• 在图像修复过程中，根据阴影的宽度将视网膜OCT图像分为无阴影区域、较窄的阴影区域和较宽的阴影区域这三种区域。对于无阴影区域，不进行任何操作。对于较窄的阴影区域，通过基于字典的修复 (DI) 模块进行处理。对于较宽的阴影区域，首先进行下采样减少阴影的宽度，然后通过DI模块进行处理，并基于稀疏表征进行修复。修复后的图像首先通过超分辨率网络上采