論文の概要: Reconstruction of Optical Coherence Tomography Images from Wavelength-space Using Deep-learning

• arxiv url: http://arxiv.org/abs/2509.18783v1
• Date: Tue, 23 Sep 2025 08:21:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-24 20:41:27.77095
• Title: Reconstruction of Optical Coherence Tomography Images from Wavelength-space Using Deep-learning
• Title（参考訳）: 深層学習を用いた波長空間からの光コヒーレンストモグラフィ画像の再構成
• Authors: Maryam Viqar, Erdem Sahin, Elena Stoykova, Violeta Madjarova,
• Abstract要約: 本稿では、波長領域から直接スペックル変換されたOCT画像を再構成する合理化・計算効率のよい手法を提案する。 再構成には、Spatial Domain Convolution Neural Network(SD-CNN)とFourier Domain CNN(FD-CNN)という2つのエンコーダ方式のネットワークを使用する。 高品質なOCT画像を得るための方法の有効性を定量的に,視覚的に検証した。
• 参考スコア（独自算出の注目度）: 1.1549572298362782
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Conventional Fourier-domain Optical Coherence Tomography (FD-OCT) systems depend on resampling into wavenumber (k) domain to extract the depth profile. This either necessitates additional hardware resources or amplifies the existing computational complexity. Moreover, the OCT images also suffer from speckle noise, due to systemic reliance on low coherence interferometry. We propose a streamlined and computationally efficient approach based on Deep-Learning (DL) which enables reconstructing speckle-reduced OCT images directly from the wavelength domain. For reconstruction, two encoder-decoder styled networks namely Spatial Domain Convolution Neural Network (SD-CNN) and Fourier Domain CNN (FD-CNN) are used sequentially. The SD-CNN exploits the highly degraded images obtained by Fourier transforming the domain fringes to reconstruct the deteriorated morphological structures along with suppression of unwanted noise. The FD-CNN leverages this output to enhance the image quality further by optimization in Fourier domain (FD). We quantitatively and visually demonstrate the efficacy of the method in obtaining high-quality OCT images. Furthermore, we illustrate the computational complexity reduction by harnessing the power of DL models. We believe that this work lays the framework for further innovations in the realm of OCT image reconstruction.
• Abstract（参考訳）: 従来のフーリエ領域光コヒーレンス・トモグラフィ(FD-OCT)システムは、深さプロファイルを抽出するために波数(k)領域への再サンプリングに依存する。 これは追加のハードウェアリソースを必要とするか、既存の計算複雑性を増幅する。 さらに,OCT画像は,低コヒーレンス干渉法に依存するため,スペックルノイズにも悩まされる。 本稿では、波長領域から直接スペックル変換されたOCT画像の再構成を可能にする、Deep-Learning (DL)に基づく合理化および計算効率のよいアプローチを提案する。 再構成には、Spatial Domain Convolution Neural Network(SD-CNN)とFourier Domain CNN(FD-CNN)という2つのエンコーダ・デコーダスタイルのネットワークが順次使用される。 SD-CNNは、フーリエが領域の縁を変形して得られた高度に劣化した画像を利用して、不要なノイズの抑制とともに劣化した形態構造を再構築する。 FD-CNNはこの出力を利用して、フーリエ領域(FD)の最適化により画像品質をさらに向上する。 高品質なOCT画像を得るための方法の有効性を定量的に,視覚的に検証した。 さらに,DLモデルのパワーを利用した計算複雑性の低減について述べる。 我々は,OCT画像再構成の領域において,さらなるイノベーションの枠組みを築き上げていると信じている。

関連論文リスト

• Compressive Imaging Reconstruction via Tensor Decomposed Multi-Resolution Grid Encoding [50.54887630778593]
  圧縮画像再構成(CI)は, 圧縮された低次元画像から高次元画像を復元することを目的としている。 既存の教師なし表現は、表現能力と効率の間の望ましいバランスを達成するのに苦労する。 本稿では,CI再構成のための非教師なし連続表現フレームワークである分割多重解像度グリッド符号化(GridTD)を提案する。
  論文  参考訳（メタデータ） (2025-07-10T12:36:20Z)
• WAVE-UNET: Wavelength based Image Reconstruction method using attention UNET for OCT images [1.0835264351334324]
  本稿では, ラムダ空間から直接, 高品質なOCT画像を再構成し, 複雑さを軽減するための体系的設計手法WAVE-UNETを提案する。 このフレームワークは、IDFT処理されたラムダ空間フリンジを入力として、アテンションゲーティングと残差接続を持つ修正UNETを使用している。 この方法は、時間複雑度を著しく低減した良質なBスキャンを生成することによって、従来のOCTシステムより一貫して優れる。
  論文  参考訳（メタデータ） (2024-10-05T11:16:10Z)
• UnWave-Net: Unrolled Wavelet Network for Compton Tomography Image Reconstruction [0.0]
  Compton scatter tomography (CST) は従来のCTの代替として興味深いものである。 ディープ・アンローリング・ネットワークはCT画像再構成の可能性を実証している。 UnWave-Netは、新しいウェーブレットベースの再構成ネットワークである。
  論文  参考訳（メタデータ） (2024-06-05T16:10:29Z)
• Deep Learning-based MRI Reconstruction with Artificial Fourier Transform Network (AFTNet) [14.146848823672677]
  複合価値ディープラーニングフレームワーク-Artificial Fourier Transform Network (AFTNet)を導入する。 AFTNetは、ドメイン変換における画像逆問題の解決に容易に利用できる。 AFTNetは既存のアプローチに比べ,MRIの高速化に優れることを示す。
  論文  参考訳（メタデータ） (2023-12-18T02:50:45Z)
• Distance Weighted Trans Network for Image Completion [52.318730994423106]
  本稿では,DWT(Distance-based Weighted Transformer)を利用した画像コンポーネント間の関係をよりよく理解するためのアーキテクチャを提案する。 CNNは、粗い事前の局所的なテクスチャ情報を強化するために使用される。 DWTブロックは、特定の粗いテクスチャやコヒーレントな視覚構造を復元するために使用される。
  論文  参考訳（メタデータ） (2023-10-11T12:46:11Z)
• DPFNet: A Dual-branch Dilated Network with Phase-aware Fourier Convolution for Low-light Image Enhancement [1.2645663389012574]
  低照度画像の高精細化は、低照度画像から通常の露光画像を復元することを目的とした古典的なコンピュータビジョン問題である。 この分野でよく使われる畳み込みニューラルネットワークは、空間領域の低周波局所構造の特徴をサンプリングするのに長けている。 周波数位相のセマンティクスの制約の下で高品質なテクスチャの詳細を復元できるフーリエ係数を用いた新しいモジュールを提案する。
  論文  参考訳（メタデータ） (2022-09-16T13:56:09Z)
• Spatially-Adaptive Image Restoration using Distortion-Guided Networks [51.89245800461537]
  空間的に変化する劣化に苦しむ画像の復元のための学習ベースソリューションを提案する。 本研究では、歪み局所化情報を活用し、画像中の困難な領域に動的に適応するネットワーク設計であるSPAIRを提案する。
  論文  参考訳（メタデータ） (2021-08-19T11:02:25Z)
• Adaptive Gradient Balancing for UndersampledMRI Reconstruction and Image-to-Image Translation [60.663499381212425]
  本研究では,新しい適応勾配バランス手法を併用したwasserstein生成逆ネットワークを用いて,画質の向上を図る。 MRIでは、他の技術よりも鮮明な画像を生成する高品質の再構築を維持しながら、アーティファクトを最小限に抑えます。
  論文  参考訳（メタデータ） (2021-04-05T13:05:22Z)
• Learning Frequency-aware Dynamic Network for Efficient Super-Resolution [56.98668484450857]
  本稿では、離散コサイン変換(dct)領域の係数に応じて入力を複数の部分に分割する新しい周波数認識動的ネットワークについて検討する。 実際、高周波部は高価な操作で処理され、低周波部は計算負荷を軽減するために安価な操作が割り当てられる。 ベンチマークSISRモデルおよびデータセット上での実験は、周波数認識動的ネットワークが様々なSISRニューラルネットワークに使用できることを示している。
  論文  参考訳（メタデータ） (2021-03-15T12:54:26Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。