返回
Unsupervised OCT Image Interpolation Using Deformable Registration and generative models
DOI:10.1007/978-3-032-04965-0_62.png)
摘要
En 中文
光学相干层析成像(OCT)图像通常被采集为高度各向异性的体数据,其中扫描步长在快轴方向密集而在慢轴方向稀疏。这影响了图像分析,例如纵向对齐的图像配准。为创建更各向同性的体数据,可采用双三次插值沿慢轴进行插值,但这通常会生成模糊特征。基于配准的插值可以减少模糊,但往往难以生成逼真的OCT图像。深度生成模型可以采样出逼真的图像,但缺乏插值所需的局部结构一致性约束。在本文中,我们提出了一种无监督的图像插值方法,结合了基于配准的插值和深度生成模型,以克服各自的局限性并提高插值OCT图像的结构准确性和真实感。我们在真实的OCT数据集上比较了所提出的方法与双三次插值和基于配准的插值,并表明该方法实现了最佳的插值性能。
Keyword:
Unsupervised learning
Optical coherence tomography
Image interpolation
Deformable registration
Generative model
期刊
机构
引用论文
Structured layer surface segmentation for retina OCT using fully convolutional regression networks
MEDICAL IMAGE ANALYSIS
IF11.8
Optical coherence tomography reflects brain atrophy in multiple sclerosis: A four-year study
ANNALS OF NEUROLOGY
IF7.7

