Signal-aware synthesis of tissue polarization uniformity from OCT images guided by an SNR-based heuristic
Notice bibliographique
Résumé
Polarization-sensitive optical coherence tomography (PS-OCT) is a powerful imaging modality that captures both structural and polarization-related tissue features, offering significant diagnostic value. Among these, the degree of polarization uniformity (DOPU) is critical for characterizing tissue microstructure. However, obtaining DOPU images typically requires specialized hardware and complex system configurations. To address this limitation, we propose a knowledge-guided deep generative framework, signal attention GAN (SA-GAN), to synthesize DOPU images directly from standard OCT intensity scans. SA-GAN integrates a signal-guided attention mechanism inspired by signal-to-noise ratio (SNR) principles, enabling selective focus on regions with meaningful polarization patterns while suppressing noise-dominated areas. This design allows for the generation of accurate, high-fidelity DOPU images without additional imaging hardware. We validated SA-GAN on three independent datasets: SKIN-PSOCT, CARTILAGE-PSOCT, and the public Retinal-OCT2017 dataset. On SKIN-PSOCT, SA-GAN achieved a structural similarity index measure (SSIM) of 97.8% and a peak signal-to-noise ratio (PSNR) of 28.6 dB. On CARTILAGE-PSOCT, it reached an SSIM of 93.9% and a PSNR of 24.8 dB in cross-dataset testing. Applied to the Retinal-OCT2017 dataset, SA-GAN achieved state-of-the-art performance in a four-class retinal disease classification task. These results demonstrate the robustness and generalizability of our method. SA-GAN provides a cost-effective and practical solution to extend PS-OCT capabilities, supporting the development of intelligent imaging systems for biomedical diagnostics and digital medicine. Our code is available via this link: https://github.com/Yuhengw/SA-GAN .
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 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 ».