前言
OCT（Optical Coherence Tomography)是一种快速、三维、非侵入性的光学成像技术，在轴向和横向方向都能够提供高分辨率，目前已广泛应用于心脏科、耳科、皮肤科、眼科等临床和研究领域。传统OCT系统的轴向和横向分辨率分别为3-5µm和5-8µm。随着提供光滑、连续超广谱的超连续光源的出现，通过截取一段连续的宽谱光可以开发出轴向分辨率提升5倍左右的Micro-OCT系统。然而，在低输入功率、低曝光时间或者低效率的探测单元的成像条件下，会造成图像整体亮度暗、对比度低，掩盖细节信息等问题。尤其是使用可见光波段作为光源时，图像退化更为严重，并会引入过高的相对强度噪声。为解决以上亮度增强问题并保持良好的泛化能力，山东大学宋维业课题组首先根据不同图像的噪声水平可选择是否进行预处理去噪，之后基于隐式神经表示的网络结构，提出了一种无监督的增强算法。
研究背景
图像提亮任务在自然图像处理、医学图像增强等领域中具有广泛价值。当前主流的暗光增强方法大都采用监督的方法，通过公开数据集进行训练。然而，对于大多数医学图像，获取退化图像对应的高质量图像（GT）是非常困难的；此外，对于医学图像往往是通过专门的设备进行采集的，在此过程中会引入此成像设备中的其他退化，这也进一步地增加了增强难度。
研究方法
在本文中，我们提出了一种无监督的增强网络。该方法仿照隐式神经表示的MLP结构，利用像素点的坐标信息对图像进行构建映射关系。此外，为了解决全连接结构容易造成图像过度平滑问题，我们额外地将像素点的灰度值信息输入网络用于辅助恢复。为实现无监督学习，我们提出了5个损失函数Lspa、Ltv、Lexp、Lg、Lp约束训练方向，通过这种方法不会使图像失去原有梯度造成过曝，并且可以修改Lexp来控制整体亮度。并且，在进行预处理的去噪后，后续的增强任务不会增强异常噪点，反而能进一步提高信噪比。
图1 无监督网络结构图
研究结果
实验采用实验室Micro-OCT设备采集的en-face图像作为数据集。本文所有实验NVIDIA A100Tensor Core GPU上进行测试和训练，展示的所有图像全被归一化至[-1,1]范围内。最终结果与He、Clahe、entropy、ZeroDce、ZeroDce++、RRDNet、SCI、DDPM对比。对比图如图2、图3、图4所示。如图 2 和图 3 所示，传统方法往往会导致过度增强，且难以有效控制对比度。尽管基于深度学习的方法在调整整体亮度方面更有效，但它们常常会引入更加严重明显的噪声。在图 5 中，我们展示了嵌入在混合环氧胶中的聚苯乙烯微球的增强图像，以及微球内的梯度对比度和噪声区域，由此可以更轻松地得出上述结论。相比之下，本研究中提出的方法在噪声抑制、保持图像梯度保真度和改善图像照明方面具有显著优势。
图2 不同方法对橙子果肉图像的视觉比较
图3 不同方法对鸡肺图像的视觉比较
图4 不同方法对聚苯乙烯图像的视觉比较
最后，为验证我们提出方法的泛化性，我们收集了B-scan图像、恶劣的低光图像以及其他设备采集的视网膜图像进行验证网络效果。在图6中，a、b分别为正常光和暗光下的图像，c、d分别是设置不同亮度下的增强图像。从图中可以看出，所提出的网络能够提升图像的亮度并且能够较好的控制亮度水平。图7a、b展示了恶劣的低光图像的增强效果，本来不可见的信息都能较清晰的显示出来，在c、d的视网膜图像中，能够增强深度较深的信号，并且提升亮度可能对于分层有较好作用。
图5 网络在胶带的B-scan图像上的增强效果
图6 网络在恶劣低光图像以及视网膜图像上的增强效
结论
为解决vis-µOCT图像亮度不可预测的衰减问题，我们提出了一种集去噪与增强于一体的零样本增强框架。我们在一个自建的 vis-µOCT 数据集上，对现有方法进行了定量和定性比较。结果表明，所提出的方法在各项指标和视觉质量上均优于现有方法。此外，为了评估了所提网络的泛化能力，我们将其应用于 B-scan图像和从其他 OCT 设备获取的视网膜图像，结果表明，我们的方法在这两类图像上均保持有效。特别是，由于该网络不依赖于特定数据集的训练或权重调整，因此具有很强的泛化能力，并有望得到更广泛的应用。这项工作提供了一种基于深度学习的解决方案，使 OCT 系统能够在低光条件下应用，特别是在涉及低成本、低效率探测器或高速成像的环境中。
