光学相干层析成像技术(Optical coherence tomography, OCT)在近年来得到快速发展并广泛应用于临床诊断和科学研究中，但OCT图像质量常被低采样率和固有的噪声所限制。如，在OCT图像采集中，为避免被采集者的不自主的运动造成的图像质量降低，通常采用降低采样的方法来获取原始OCT图像，其图像质量为低信噪比和低分辨率的，不利于临床医生进行疾病诊断。
MILab提出了一种可对OCT图像超分辨和降噪的半监督学习方法。该方法可生成高信噪比、高分辨率的OCT图像，有利于提高图像质量并同时加快扫描速度。在深度学习训练过程中，常需要高质量的数据作为“标签”数据去优化、训练网络模型，但在医学图像处理中，高质量图像往往是难以获得的，如OCT高质量图像需要多次扫描平均后得到，但这会提高图像采集时间，不利于某些老年人、儿童的图像采集。因此，MILab提出的不需要高质量图像作为标签数据的用于OCT图像超分辨和降噪半监督学习策略尤为重要。
课题组首次成功地将半监督学习的方法应用在OCT图像的超分辨和降噪中，只需使用低信噪比、低分辨率和低信噪比、高分辨率的配对图像用于网络训练，有效的降低了对高质量OCT图像作为标签图像训练网络的需求。对比传统方法，该算法在相同输入质量图像的情况下能够得到信噪比更高的图像，优势明显；同时，对比于监督学习方法，其定性结果和量化结果媲美于监督学习的方法。
图1. 一种基于半监督深度学习的同时用于OCT降噪和超分辨网络策略 
图2. 我们所提出的半监督学习结果对比监督学习结果
该论文的第一作者是任秋实课题组博士生邱彬，通讯作者是卢闫晔研究员。其他合作者还包括深圳湾实验室刘刚军研究员、周传清研究员，河北大学的杨昆教授。上述研究得到了国家自然科学基金（81421004，61875123）、国家重大科研仪器研制项目（2013YQ030651）、深圳科技计划（1210318663）及河北省自然科学基金（H2019201378）的经费支持。
添加评论