近期，MILab在OCT图像去噪研究方面取得新进展，医学影像领域顶级期刊IEEE Transactions on Medical Imaging （IF: 10.048）以长文（Regular Paper）形式在线发表了题为“Triplet Cross-Fusion Learning for Unpaired Image Denoising in Optical Coherence Tomography”的研究论文。
光学相干层析成像技术(Optical coherence tomography, OCT)是一种广泛应用于眼科、心血管内科等临床科室的成像手段，但OCT图像容易受到散斑噪声的干扰，从而降低OCT图像的成像质量和感观效果。深度学习技术由于其强大的非线性拟合能力，已被广泛应用于OCT图像去噪任务。与基于配对学习（paired learning）的去噪方法相比，基于非配对学习（unpaired learning）的去噪方法在训练阶段摆脱了大量含噪声-干净图像对的要求，可以基于非配对的含噪声-干净图像进行训练，这极大程度上降低了训练数据采集的难度。目前已有的非配对OCT图像去噪方法大多是基于cycleGAN框架，去噪模型往往比较复杂。在训练时cycleGAN框架至少使用两个生成器和两个判别器，然而在测试推理时仅使用一个生成器。因此，有必要探索一种在保证去噪精度的前提下，降低模型复杂度的新型非配对OCT图像去噪方法。
基于以上研究目的，MILab研究团队提出了一种新型的三重交叉融合（Triplet Cross-Fusion Learning，TCFL）策略，用于非配对OCT图像去噪（图1）。与cycleGAN框架相比，TCFL策略仅使用单一的生成器和单一的判别器即可完成非配对式训练，这显著降低了模型的复杂度和参数量，节约了计算资源。除此以外，在训练过程中，TCFL策略使用到三张非配对的图像，它们的噪声成分和干净成分彼此交叉融合，帮助去噪网络更好地区分噪声成分和干净成分，以提升去噪性能。基于三张非配对图像的训练方式使得TCFL策略可以应对一些训练数据不足的场景。研究团队基于DnCNN和PatchGAN实现该策略并相应设计一种恒等损失函数，并使用了三个OCT图像去噪数据集验证TCFL策略的有效性，包括两个公开数据集（DUKE17、DUKE28）和一个实验室自制数据集（PKU37）。在定量比较方面，研究团队采用了三种无监督定量评价指标和三种监督定量评价指标。