Retinal Optical Coherence Tomography Image Denoising Using Modified Soft Thresholding Wavelet Transform
Notice bibliographique
Résumé
Optical Coherence Tomography (OCT) represents a non-invasive imaging modality capable of capturing high-resolution cross-sectional images of anatomical structures by scanning the tissue of interest in a transverse manner.Nevertheless, the inherent speckle noise present in OCT images considerably degrades their textural and sharpness qualities.Conventional wavelet-based modified soft thresholding methods have been employed to preserve pertinent information in denoising OCT images, but their performance remains contingent upon hyperparameter tuning.In this study, we introduce a Particle Swarm Optimization (PSO)-based optimized Wavelet Threshold (WT) method for OCT image denoising.By automating the process of determining hyperparameter values dependent on image quality, PSO streamlines the denoising process.The optimization problem's fitness function is defined by the Peak Signal-to-Noise Ratio (PSNR) parameter.To evaluate the WT-PSO algorithm, we utilized performance metrics such as Mean Square Error (MSE), PSNR, Structural Similarity Index Metrics (SSIM), and Contrast-to-Noise Ratio (CNR) on a publicly available dataset comprising 17 retinal OCT images.The proposed denoising approach demonstrates comparable results to those obtained by manual iterative or trial methods, delivering marginal improvements in performance parameters and image quality.Moreover, our method outperforms traditional wavelet-based state-of-the-art techniques for denoising OCT images, highlighting its potential for widespread application in the field.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».