OCT成像因点扩散函数（PSF）引起的模糊和散斑噪声常导致图像质量下降。传统去卷积算法（如Lucy-Richardson算法）因迭代计算耗时长，难以满足实时需求；监督学习方法则受限于配对数据的获取难度。
该课题组通过构建融合点扩散函数建模的自监督学习框架，攻克了OCT图像去卷积处理的核心技术瓶颈。该研究创新性地将传统迭代优化算法转化为端到端深度学习架构，在无需硬件升级的条件下，实现了现有OCT系统的实时图像增强功能。该技术体系可兼容各类OCT设备，为提升临床诊断敏感性与工业无损检测精度提供了一种新的技术路径。
该研究方法包含去噪预处理、盲PSF估计和稀疏去卷积的级联处理流程，仅以噪声B扫描为输入，实现高效、实时的OCT图像增强。以下是其核心技术细节：
（1）自监督去噪：利用B扫描图像的像素相关性，通过棋盘格子采样生成训练数据对，无需配对的干净图像，有效降低散斑噪声。
（2）盲PSF估计：通过优化算法直接从B扫描提取2D PSF，建模为高斯函数，适应多种成像条件。
（3）疏去卷积：结合Hessian正则化和贝叶斯LR算法，提升图像分辨率和对比度，同时抑制噪声和伪影。
（4）轻量化神经网络：设计紧凑的深度神经网络，仅需6.9万参数，实现毫秒级推理，满足实时应用需求。
图1 实时OCT去卷积框架示意图，涵盖训练和推理两个阶段。训练阶段包括收集多样化的数据集，并应用子采样策略生成去噪图像，这些图像随后用于训练本文所述的去噪网络。之后，对去噪图像进行稀疏去卷积处理，生成一组增强图像以供监督。训练好的网络随后在推理阶段部署，直接增强OCT扫描，实现实时可视化。——引用原文：Weiyi Zhang, Haoran Zhang, Qi Lan, Chang Liu, Zheng Li, Chengfu Gu, Jianlong Yang, "Self-supervised PSF-informed deep learning enables real-time deconvolution for optical coherence tomography," Adv. Imaging 2, 021001 (2025)
实验结果表明，该框架在金纳米粒子、橙子切片、人视网膜及猪动脉等多样化样本上实现了约40%-50%的分辨率提升，显著改善对比噪声比（CNR），并在未见样本（如光学胶带和手指）上展现出优异的泛化能力。相比传统LR和稀疏去卷积方法，新框架在分辨率、噪声抑制和实时性上均表现优异。
图2. 使用不同去卷积方法增强的眼部样本OCT图像。(a)人类眼睛图像的对比，插图显示了详细区域。(b)和(c)使用文章提出的方法增强前后的人类眼睛和兔子视网膜图像，突出了改进的清晰度和分辨率。——引用原文：Weiyi Zhang, Haoran Zhang, Qi Lan, Chang Liu, Zheng Li, Chengfu Gu, Jianlong Yang, "Self-supervised PSF-informed deep learning enables real-time deconvolution for optical coherence tomography," Adv. Imaging 2, 021001 (2025)
光微科技认为，该研究为OCT成像树立了新标杆。自监督学习无需配对数据，降低了开发成本；盲PSF估计和轻量化网络则为实时OCT设备提供了可行方案。
光微科技正在探索将类似技术整合到其OCT解决方案中，以进一步优化医疗和工业应用。
随着深度学习与OCT的深度融合，实时、高质量成像将成为行业标准。光微科技将继续跟踪前沿技术，致力于为客户提供更精准、更快速的OCT解决方案，助力医疗诊断和工业检测迈向新高度。
佛山光微科技成立于2018年，是一家专注于OCT光学相干断层扫描技术的国家高新技术企业。我们提供医疗、科研和工业领域的OCT探头、核心部件及整机系统，支持OEM和CMO定制服务，致力于创新OCT成像解决方案。
如需更多信息，请联系：
邮箱：info@livitech.cn
电话：0757-89959220
网址：www.livitech.cn
