基于扩散模型的多伪影去除框架在OCTA浅层毛细血管丛图像中的应用研究

《Ophthalmology Science》:Diffusion-Based Model for Multi-Artifact Removal on OCT-Angiography Superficial Capillary Plexus Images

【字体: 大 中 小 】 时间:2026年10月10日 来源:Ophthalmology Science 5.0

编辑推荐:

  目的: 开发并验证一种基于扩散模型的深度学习框架——OCTA伪影去除模型(OCTA-ARM),用于同时去除OCTA图像中的运动、阴影和离焦伪影。 设计: 回顾性开发与验证研究。 研究对象: 共纳入来自1,266例患者2,475只眼的21,389幅OCTA浅层毛

  
目的: 开发并验证一种基于扩散模型的深度学习框架——OCTA伪影去除模型(OCTA-ARM),用于同时去除OCTA图像中的运动、阴影和离焦伪影。 设计: 回顾性开发与验证研究。 研究对象: 共纳入来自1,266例患者2,475只眼的21,389幅OCTA浅层毛细血管丛(SCP)图像。配对评估数据集包含279对匹配的伪影影响图像与无伪影图像。另纳入来自376例糖尿病患者的574只眼的3,260幅图像,用于分析与糖尿病视网膜病变严重程度的相关性。 方法: OCTA-ARM采用两阶段训练流程,利用基于CycleGAN的生成器合成阴影和离焦伪影,并通过随机行向像素移位模拟运动伪影。采用布朗桥扩散模型(BBDM)架构进行伪影去除。模型性能通过图像质量指标(结构相似性指数(SSIM)、峰值信噪比(PSNR)、弗雷歇初始距离(FID)、学习感知图像块相似性(LPIPS))进行评估。采用组内相关系数(ICC)评估伪影影响图像与无伪影图像对之间定量OCTA指标的一致性(OCTA-ARM处理前后)。计算斯皮尔曼相关系数以评估OCTA指标与国际临床糖尿病视网膜病变(ICDR)分级之间的相关性。 主要结局指标: 图像质量指标、定量OCTA指标的ICC、以及与糖尿病视网膜病变严重程度的相关性。 结果: 经OCTA-ARM重建后,所有200幅“可分级但不可测量”图像均升级为“可测量”,79幅“不可分级”图像中有66幅(83.5%)升级为“可测量”状态。OCTA-ARM去除伪影后,无伪影图像与伪影影响图像对之间定量指标的ICC值均显著改善(均P<0.0001):中心凹无血管区(FAZ)面积(从0.771提升至0.909)、血管密度(VD)(从0.416提升至0.673)、分形维数(FD)(从0.385提升至0.757)、骨架密度(SD)(从0.372提升至0.757)。重建后OCTA指标与ICDR分级之间的相关性持续增强(均P<0.001):FAZ面积(r:0.116至0.203)、无灌注区(NPA)(r:0.253至0.346)、VD(r:–0.258至–0.355)、FD(r:–0.337至–0.472)、SD(r:–0.327至–0.459)。 结论: OCTA-ARM能有效去除OCTA图像中的多种伪影类型,显著提高图像质量,增强定量指标的可靠性,并加强其与糖尿病视网膜病变严重程度的临床相关性。

论文解读

一、研究背景与问题

光学相干断层扫描血管成像(OCTA)是一种无创成像技术,可提供视网膜和脉络膜微循环的深度分辨可视化,在糖尿病视网膜病变(DR)、糖尿病性黄斑缺血(DMI)及视网膜血管阻塞等多种视网膜疾病中具有重要的辅助诊断价值。除定性评估外,OCTA还可通过中心凹无血管区(FAZ)面积、FAZ圆形度、血管密度(VD)、分形维数(FD)和骨架密度(SD)等定量指标,为视网膜微血管健康提供客观测量。
然而,伪影是OCTA成像中普遍存在的挑战。研究报道,OCTA图像中伪影的发生率高达72%至98.57%,其中运动、离焦和阴影伪影是最常见的类型。值得注意的是,在病理状态下,这些伪影的频率和严重程度进一步增加,不仅掩盖真实的微血管结构,还损害定量指标的可靠性,可能导致误诊或不恰当的治疗决策。
现有的伪影处理策略主要分为两类:一是建立伪影分级系统,系统评估伪影造成的噪声水平,使研究者能够从临床研究中排除受严重影响图像,但这种方法不改善图像质量且导致数据丢失;二是开发图像处理算法以识别和去除特定类型的伪影,如基于深度学习(DL)的运动伪影去除、噪声抑制、阴影伪影校正和投影伪影缓解等方法,但这些方法主要针对单一伪影类型,难以应对临床实践中同一图像内多种伪影类型频繁共存的情况。近期提出的两阶段TSAR框架虽能同时去除多种运动伪影亚型,但未解决阴影或离焦伪影问题。

二、研究内容与意义

针对上述局限,研究人员开发了OCTA伪影去除模型(OCTA-ARM),一种基于扩散模型的深度学习框架,能够同时去除OCTA图像中的运动、阴影和离焦伪影。研究采用布朗桥扩散模型(BBDM)架构,因其专为图像到图像转换而设计而非单纯噪声去除,能够在伪影影响图像和无伪影图像两个端点间锚定输出,约束轨迹使其保持接近观察到的视网膜解剖结构。研究人员假设,通过有效去除多种伪影类型,OCTA-ARM将提高伪影影响图像与无伪影图像之间定量指标的一致性。
该研究为回顾性开发与验证研究,经香港中文大学临床研究伦理委员会批准。研究共纳入来自1,266例患者2,475只眼的21,389幅OCTA浅层毛细血管丛(SCP)图像,所有图像均使用扫频源OCT系统(DRI OCT Triton;Topcon公司,日本东京)以3×3 mm2黄斑中心扫描协议采集,每幅图像320×320像素。研究构建了模型开发数据集和配对评估数据集两个独立数据集,配对评估数据集包含279对匹配的伪影影响图像与无伪影图像对。此外,另纳入来自376例糖尿病患者的574只眼的3,260幅图像用于糖尿病视网膜病变严重程度相关性分析。
研究结果表明,OCTA-ARM能有效去除OCTA图像中的多种伪影类型,显著改善图像质量,增强定量指标的可靠性,并加强其与糖尿病视网膜病变严重程度的临床相关性,对临床实践和自动化分析系统均具有重要意义。

三、关键技术方法

研究人员采用了以下主要关键技术方法:
两阶段训练流程:第一阶段,利用模型开发数据集训练基于CycleGAN的伪影生成器,用于合成阴影和离焦伪影;第二阶段,以无伪影OCTA图像为基准,通过训练好的CycleGAN生成器引入阴影和离焦伪影,通过随机行向像素移位方法模拟运动伪影,生成合成配对图像用于训练OCTA-ARM。
多生成器与空间引导策略:训练六个不同随机种子的伪影生成器以增加伪影模式多样性;采用圆形掩膜和带状掩膜两类二值掩膜进行空间引导,通过高斯核平滑后局部降低像素强度(模拟阴影伪影)或混合高斯模糊版本(模拟离焦伪影),确保伪影位置和强度的多样性;采用多轮生成策略(1至2次)实现不同严重程度的伪影。
布朗桥扩散模型(BBDM)架构:OCTA-ARM采用BBDM进行图像到图像转换,通过双向扩散过程学习伪影影响域与无伪影域之间的映射关系。针对灰度图像,将UNet架构的输入通道从6减至2,输出通道从3减至1,以适配单通道输入并降低计算需求。
评估方法:采用结构相似性指数(SSIM)、峰值信噪比(PSNR)、弗雷歇初始距离(FID)和学习感知图像块相似性(LPIPS)四项互补指标评估图像质量;采用组内相关系数(ICC)评估定量OCTA指标的一致性;采用斯皮尔曼相关系数评估OCTA指标与国际临床糖尿病视网膜病变(ICDR)分级之间的相关性。

四、研究结果

研究人群与数据集构成:共纳入21,389幅OCTA SCP图像。配对评估数据集包含279对匹配图像对,每例患者贡献一次配对采集。模型开发数据集包含1,831幅(8.56%)无伪影图像作为参考标准,1,631幅(7.63%)以离焦伪影为主的图像和1,462幅(6.83%)以阴影伪影为主的图像。另纳入3,260幅来自糖尿病患者的“可分级但不可测量”质量图像用于相关性分析。
CycleGAN伪影生成器性能:采用空间引导策略和多轮生成策略的CycleGAN伪影生成器能够产生空间多样且程度各异的伪影,生成的伪影影响图像与真实伪影影响OCTA图像高度相似。
图像质量定量评估:在配对评估数据集上,重建前伪影影响图像的FID为84.81、LPIPS为0.18、PSNR为16.32 dB、SSIM为0.44;OCTA-ARM重建后改善至FID 18.05、LPIPS 0.10、PSNR 16.81 dB、SSIM 0.53。消融实验中,未采用空间引导策略训练的模型在四项图像质量指标上均逊于完整模型,证实了该策略的贡献。
OCTA-ARM伪影去除性能:处理前数据集包含200幅“可分级但不可测量”图像和79幅“不可分级”图像。经OCTA-ARM重建后,全部200幅“可分级但不可测量”图像均成功转为“可测量”;79幅“不可分级”图像中,66幅(83.5%)成功重建为“可测量”质量,10幅(12.7%)改善为“可分级但不可测量”状态,仅3幅(3.8%)处理后仍不可分级。
OCTA定量指标一致性分析:重建前,所有定量指标在279对图像对中呈现差至中等一致性,ICC范围为0.372至0.771,其中VD(ICC=0.416)、FD(ICC=0.385)和SD(ICC=0.372)一致性尤其差。经OCTA-ARM去除伪影后,所有指标的一致性均显著改善:FAZ面积从0.771提升至0.909(达优秀一致性),VD从0.416提升至0.673,FD和SD分别从0.385和0.372提升至0.757和0.757(达良好一致性)。按初始图像质量分层时,“可分级但不可测量”亚组改善尤为显著,FAZ面积一致性从良好(ICC=0.762)提升至优秀(ICC=0.953),其余指标ICC增量范围为0.279至0.405。而“不可分级”亚组改善有限,FAZ面积、NPA和VD无显著改善,仅FD(ICC:0.242至0.527)和SD(ICC:0.243至0.550)显著提升。
与糖尿病视网膜病变严重程度的相关性分析:重建前,所有OCTA指标均与ICDR分级呈显著相关性;经OCTA-ARM重建后,所有指标的相关性强度均一致且显著增强:FAZ面积(r:0.116至0.203)、NPA(r:0.253至0.346)、VD(r:–0.258至–0.355)、FD(r:–0.337至–0.472)、SD(r:–0.327至–0.459)。

五、讨论与结论

讨论要点:OCTA-ARM代表了现有OCTA伪影去除方法的重要进展。与以往主要针对单一伪影类型的方法不同,OCTA-ARM通过单一模型同时去除运动、阴影和离焦伪影。合成数据生成流程是该方法的关键创新,通过结合CycleGAN伪影合成与多生成器、空间引导和多轮生成等多样化策略,克服了临床环境中获取大规模配对伪影数据集的根本挑战。研究还发现,运动伪影通过随机行向像素移位这一简单模拟策略即可有效近似,并非所有伪影类型都需要复杂生成模型进行训练数据合成。
研究揭示了伪影对OCTA定量分析引入实质性系统性测量误差的临床重要现象。重建前血管相关指标一致性差(ICC<0.5),与既往研究一致。OCTA-ARM对“可分级但不可测量”图像改善显著,而“不可分级”图像改善有限,FAZ面积、NPA和VD无显著改善,但FD和SD仍显著提升,这可能反映了严重伪影导致不可逆的结构信息丢失,提示OCTA-ARM的主要临床价值在于有效恢复中度伪影图像而非挽救严重退化图像。
相关性分析为OCTA-ARM作为预处理工具的临床效用提供了有力证据,重建后所有指标与DR严重程度的相关性一致增强,表明去除伪影可减少噪声和系统误差,使真实病理特征得以显现。
研究局限性包括:未处理血管倍增等其他伪影类型;运动伪影模拟仅建模水平行向位移,轴向整体运动白线和血管倍增等运动伪影亚型未被明确建模;模型针对特定设备和扫描协议优化,跨设备泛化性有待评估;配对一致性指标仅量化单次成像会话内的恢复,未建立独立采集间的扫描-重扫描可重复性。
结论翻译:总之,OCTA-ARM能有效去除OCTA图像中的多种伪影类型,显著改善图像质量和定量指标的可靠性,同时增强OCTA指标与DR严重程度之间的临床相关性。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号