[文献速递Vol.215]-SNR-Net OCT：通过深度学习对低光光学相干断层扫描图像进行增亮和去噪

近年来，随着深度学习的兴起，神经网络在图像处理尤其是医学领域的启发能力受到了广泛关注。最近，散斑调制OCT的出现在去除散斑噪声方面取得了很大进展，但它严重降低了OCT采样臂输入光功率和时间分辨率。本文提出了一种基于深度学习的散斑调制OCT，它将传统的OCT设置与使用定制的大型散斑调制OCT数据集训练的深度学习网络深度集成。所提出的基于深度学习的散斑调制OCT算法在不降低OCT采样臂输入光功率和时间分辨率的情况下，能够有效去除OCT散斑噪声，为深度学习方法增强OCT SNR奠定了基础。

在网络模型训练阶段，构建SNR-Net以实现OCT图像增亮和去斑噪声，如图1(b)所示。将训练数据分别输入深度学习网络，开始前向传播，得到预测的OCT图像。通过计算预测图像与真实图像之间的损失，采用反向传播计算梯度并更新模型参数。

在训练阶段之后，训练好的网络模型与传统的OCT设置集成。在获取原始图像后，经过训练的神经网络可以直接输出相对无斑点且SNR增强的较亮的OCT图像，如图1(c)所示。