9、基于变形模板估计的自监督去噪与糖尿病视网膜病变自动检测

基于变形模板估计的自监督去噪与糖尿病视网膜病变自动检测

基于变形模板估计的自监督去噪

在光学相干断层扫描（OCT）成像中，图像常常受到强噪声和变形的影响。为了解决这一问题，提出了一种联合变形模板估计和去噪的框架。

问题表述

给定包含 $m$ 个受试者，每个受试者有 $n$ 次重复的具有非线性变形的数据集，目标是学习一个去噪函数 $f$，将有噪声的图像映射为干净的图像。为了通过类似 Noise2Noise 的方法学习 $f$，需要将每个受试者的 $n$ 次重复 3D OCT 扫描共同配准到 $m$ 个受试者特定的模板上。由于 OCT 成像的强各向异性，在配准后，可以在 2D 切片上而不是 3D 体积上有效地学习 $f$。

其框架流程如下：

graph LR
    A[原始 3D OCT 扫描] --> B[使用 BM3D 去噪]
    B --> C[构建带有变形 Φi 的模板]
    C --> D[将 Φi 应用于原始扫描]
    D --> E[使用 Noise2Noise 去噪]

配准

如果任意选择一个参考体积来配准其余 $n - 1$ 个体积，会导致配准估计有偏差。因此，选择估计一个无偏的模板/图谱，通过交替进行模板估计和个体图像的非线性配准，使几何变形最小化。

为避免在配准结构的同时配准噪声，每个 OCT 体积首先通过逐片应用 BM3D 进行去噪。对于非线性配准，采用多分辨率策略，在每个阶段使用高斯核进行平滑以避免混叠，所有变形场都是微分同胚的，确保在