【释放创新潜力 赋能医工科研】
近日，苏州大学MIPAV实验室研究生谭志苇，在《IEEE Transactions on Medical Imaging》（TMI）期刊上发表了一篇高水平论文，“A Multi-scale Fusion and Transformer Based Registration Guided Speckle Noise Reduction for OCT images”。实验过程中利用比格威全自动人工智能OCT完成相关科研工作。
光学相干层析成像(OCT)是基于低相干干涉的，从而不可避免地会受到散斑噪声的影响。散斑噪声往往会降低图像的分辨率和对比度，造成部分视网膜细节信息模糊，对后续的图像处理分析、疾病诊断带来了不良影响。多帧平均是降低散斑噪声的有效方法之一。然而在平均之前，必须对图像之间的位移形变进行校准，目前的配准方法仍存在处理速度慢、泛化性能较差等诸多不足。
苏州大学MIPAV实验室研究生谭志苇，提出了一种基于多尺度融合和变压器的配准方法(MsFTMorph)来指导基于多帧平均的散斑降噪，以减少采集过程中引起的图像错位，该方法在视网膜OCT图像的散斑降噪中获得了较好的配准精度和最佳的综合性能。在进行综合实验评估中，谭志苇利用比格威全自动人工智能OCT，以单线模式从310名受试者处进行OCT数据集的采集，并进行模型训练，实验结果表明，所提出的方法在清晰的视觉效果和避免伪影方面优于其他多帧平均去噪方法。
比格威AI OCT凭借领先行业的AI与全自动化操作，能够帮助医工科研人员能够更加便捷、准确地进行医学影像数据的分析和研究，为医学领域的进步和创新提供有力的支持。在未来的科研中，比格威人工智能OCT将继续发挥重要作用，为医学工程领域带来更多的创新和进步。
【论文鉴析】
难点与挑战： 在不同模态与数据集的医学图像配准任务中同时取得先进的配准水平，并基于多幅平均实现高性能的去噪效果。
解决方法：本文中为了减少多幅图像平均过程中图像间的不对齐，提出了一种基于多尺度融合和Transformer的可变形视网膜OCT图像配准方法(MsFTMorph)。该模型提出了多重自注意力模块（MST）用来捕获远程依赖特征，以及结合了多分辨率融合策略学习全局仿射变换从而提出了多尺度形变场融合模块（MsDFFT），用来融合多分辨率形变场和处理复杂形变。
结论：这是第一个由Transformer和CNN组成的用于视网膜OCT图像的可变形配准算法，实验结果表明，该方法达到了预期的效果性能，优于其他最先进的方法，能够同时实现散斑降噪和细节结构增强。该方法不仅可以用于二维OCT图像配准，还可以扩展到三维图像配准和其他医学图像模式。此外，与单帧去噪方法相比，该方法在避免过度平滑的同时实现了良好的降噪效果，这突出了较强的鲁棒性、泛化性和去噪效果。
No comments yet.