MétaCan
Menu
Retour à la cohorte
Enregistrement W4406119242 · doi:10.36227/techrxiv.173610275.50375964/v2

A Physics-Informed Diffusion Model for Super-Resolved Reconstruction of Optical Coherence Tomography Data

2025· preprint· en· W4406119242 sur OpenAlexafffund
Nima Abbasi, Alexander Wong, Kostadinka Bizheva

Notice bibliographique

Revuenon disponible
Typepreprint
Langueen
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueAdvanced Fluorescence Microscopy Techniques
Établissements canadiensUniversity of Waterloo
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésOptical coherence tomographySpeckle noiseSpeckle patternComputer scienceIterative reconstructionOpticsNoise (video)Computer visionImage resolutionArtificial intelligenceCoherence (philosophical gambling strategy)DiffusionAlgorithmPhysicsImage (mathematics)

Résumé

récupéré en direct d'OpenAlex

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 machine sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,003
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,007
Score d'incertitude au seuil0,014

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,003
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,001
Communication savante0,0010,002
Science ouverte0,0020,001
Intégrité de la recherche0,0020,002
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,034
Tête enseignante GPT0,332
Écart entre enseignants0,298 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2025
Routes d'admission2
Résumé présentoui

Explorer davantage

Même sujetAdvanced Fluorescence Microscopy TechniquesTravaux en français237 207