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图像质量常被其固有的噪声所限制。现已有大量基于监督学习模型的OCT降噪方法，达到了较好的降噪效果，但基于监督学习的方法通常需要大量“noisy-clean”配对的OCT图像用于训练模型。但是在实际临床中，这种“noisy-clean”配对图像往往是难以获得的，因此提出一种基于仅使用低质量图像用于训练的无监督OCT降噪网络模型尤为重要。
MILab进行了一项OCT图像降噪的对比研究，该研究基于Noise2Noise(N2N)的无监督降噪策略，探索了四种常用的网络模型（U-shaped model, multi-information stream model, straight-information stream model, and GAN-based model）在N2N策略下的降噪效果，值得注意的是N2N策略只使用噪声OCT图像训练网络模型，大大降低了对于训练OCT图像质量的要求。因已发表基于N2N策略的研究多基于U-Net模型，为进一步研究不同网络结构对于无监督N2N策略的性能影响，我们采用了四种常用的网络模型进行OCT降噪对比研究，以期望发现更适合基于N2N策略的适用于OCT图像降噪的网络模型。
课题组成功地将基于N2N策略的无监督学习方法应用在OCT图像降噪中，只需使用低质量的“noisy-noisy”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。结果表明，四种常用的网络模型（U-shaped model, multi-information stream model, straight-information stream model, and GAN-based model）在N2N策略下均有一定降噪效果，同时达到了接近于监督学习策略的表现，表明了无监督N2N策略对于OCT降噪的可行性；此外，四种代表模型结果排名为：Pix2Pix GAN-N2N > UNet-N2N > DenseNet-N2N > DnCNN-N2N。通过课题组的进一步分析，认为可优先选择U-shaped 模型及使用UNet作为生成器（Generator network）的GAN-based模型作为在N2N策略下的OCT降噪网络。
图1. 一种基于Noise2Noise策略的无监督274pxOCT降噪策略
图2. 我们所提出的基于Noise2Noise的无监督学习结果对比监督学习结果
该论文的第一作者是MILab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周传清研究员，北京大学深圳研究生院的黄智宇博士后等。该研究得到了深圳科技计划（1210318663）、国家自然科学基金（61875123）、国家生物医学成像大设施基金、深圳南山创新与业务发展基金等经费支持。