OCT (Optical Coherence Tomography)是一种非侵入性的三维成像技术，广泛应用于眼科等生物医学领域。然而，由于OCT成像原理及设备特性，获取的图像往往不可避免地存在散斑噪声、结构性噪声和随机噪声等多重噪声的叠加现象。这些噪声严重影响了图像质量，进而降低了后续分割任务的准确性。为解决以上噪声问题及真值难以获得的问题，山东大学宋维业教授课题组基于DDPM（去噪扩散概率模型）算法，提出了一种改进的基于选区遮挡方法的无监督DDPM算法，有效的解决了OCT图像噪声的问题。
研究背景
OCT是一种利用弱相干光的干涉原理，获取高分辨率的组织断层图像的技术。OCT作为一种三维成像技术，由于其非入侵，成像速度快，分辨率高等原因，目前已经广泛的应用于医学生物成像和临床的辅助诊断。特别是在眼科领域，OCT获得的图像具有明显的层级结构，包含丰富的病理信息，能够辅助视网膜疾病，青光眼等疾病的诊断。但OCT在使用过程中使用低相干光获取影像，加之其结构的特点，使得获取的影像不可避免的存在散斑噪声、结构性噪声和随机噪声的叠加。严重的噪声会极大地影响分割、识别等下游任务的准确性。因此去噪任务对于OCT技术有着重要的意义。
研究方法
在本文中，我们提出了一种新的去噪方法，该方法基于diffusion models，是一种改进的无监督的masked region-based DDPM算法。该方法被命名为MR-DDPM，作为一种无监督算法，该方法避免了真值难以获得的问题。同时，该方法引入了盲点法的思想，在训练过程中使用了像素级的遮挡策略，不仅有效增强了随机噪声的去除能力，还能使模型更聚焦于相邻区域，避免对原始图像细节和边缘的过度改变。同时，该方法能够通过同组数据互相补充信息，有效防止遮挡引发的信息丢失。针对以上任务，本文同样对Unet网络进行改进，使得网络在保持细粒度建模能力的基础上，拥有一定的全局感受野，这使得网络分析噪声的能力进一步提升。
图1 MR-DDPM算法示意图
研究结果
实验采用OCT2017中选取的600张高质量B-Scan图像作为数据集。本文所有实验在NVIDIA A100 Tensor Core GPU上进行测试和训练。读取的B-Scan图像全部被归一化至[-1,1]范围内。经过600 epochs的训练，并保存loss最低的模型用于推理。最终结果与中值滤波、N2V、BM3D、Mgan等多种方法的结果对比如图（2）所示。从图中可知，original图像由于OCT自身的原理和设备结构存在很多随机噪声、散斑噪声及结构性噪声，这会对后续任务产生严重干扰。均值滤波是一种经典的图像去噪方法，其在去除均匀噪声方面有良好的表现，但其会使得图片变的相对模糊。N2V算法对于噪声的假设是独立同分布，然而OCT图像中存在着较强的结构性噪声，这使得N2V算法这种基于独立同分布的自监督策略（基于局部像素的噪声估计）表现不如在处理单纯的高斯噪声表现好。BM3D同样更擅长于高斯噪声的处理，OCT图像包含的多种噪声在空间和频率上有着不同的分布，使得该算法表现的有些不尽人意。尽管Mgan能够生成逼真的去噪图像，但有时可能会过度修复细节，甚至产生伪影，导致图像的真实细节和纹理丧失。MR-DDPM算法则在图（2）中有着最好的表现。我们通常认为由随机噪声主导的图片其组成是背景加上噪声，背景是连续的而噪声是独立分布的。因此像素级选区遮挡的方法不仅能够显著提升模型去除随机噪声的能力，同时可以使得模型更关注相邻区域保护图片的连续性，另外该方法同组图片的信息可以相互补充，避免了其他类似遮挡算法的信息丢失。同时该算法网络上的改进也使得网络在具备细粒度建模能力的同时，拥有一定的全局感受野。
图2 各算法去噪效果对比图
结论
为了实现OCT的B-Scan图像在去除噪声的基础上避免过渡平滑丢失细节信息，本文提出了一种选区遮挡方法。该方法按照设计好的规则，对输入图像进行像素级遮挡，不仅对于随机噪声去除有着良好的效果，也可以使得模型更关注临近区域来推理当前位置，同时同组被遮挡的输入图像之间的信息可以相互补充，避免因遮挡造成的信息丢失。另外本文还针对该策略对Unet网络也进行了改进，即在网络的最深层并联了transformer模块，并引入参数时间步长t，使得模型保持CNN细粒度建模的优势的同时增加了transformer的全局感受野，更利于模型分析整体图片的结构性噪声。最终实验在直观感受以及SNR、CNR、SSIM等量化指标上均体现了我们所提出算法的优越性。我们在去噪实验的基础上进行了分割实验验证，实验同样证明了MR-DDPM的优越性。因此，通过本文提出的MR-DDPM去噪算法对OCT图像的预处理，有助于后续分割等任务的精度，对于OCT技术的发展有显著的意义。
