A Physics-Informed Diffusion Model for Super-Resolved Reconstruction of Optical Coherence Tomography Data
Notice bibliographique
Résumé
This study introduces a physics-informed diffusion model (PIDM) for super-resolution (SR) reconstruction of optical coherence tomography (OCT) data. Methods: An optimization framework was developed for maximizing the likelihood of observing an OCT image in the dataset, given the super-resolved reconstruction from a physics-informed diffusion model (PIDM) that reverses the degradations in OCT images. The image degradations were modeled as a serialization of three processes accounting for the effects of defocus, speckle noise, and digital sampling in OCT images. An analytical model for lightpropagation model and a statistical model for speckle noise were derived based on the physical properties of the OCT setup. These models were then integrated with a diffusion model to reverse the degradations caused by defocus blur and digital sampling, minimizing susceptibility to noise and defocus-induced artifacts. Results: The proposed method was employed for reconstructing images of a standard resolution target, plant tissue, and in vivo human cornea, using the complex OCT data acquired with a linescan OCT (LS-OCT) system. The results from the PIDM exhibit improved sharpness and contrast compared to the images resulting from a few baseline methods such as standalone superresolution using DM. Conclusion: Complementing DM with the physics of OCT could be a viable solution for obtaining highfidelity SR reconstruction of OCT images. Significance: This work harnesses the power of diffusion models for superresolution in OCT images. Such development could potentially enhance cellular-resolution OCT imaging of ophthalmic tissues, where high-fidelity images are crucial for accurate diagnosis.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,002 |
| 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 tête enseignante, 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 ».