Recovery of compressively-sampled reflectance confocal microscopy images of human skin using advanced machine learning techniques

Abstract

Compressive Sensing (CS) has demonstrated a great potential for the improvement of acquisition, manipulation, and storage operations on a variety of different applications with little to no discernible loss in terms of recovered image quality. One such application where a more effective acquisition procedure would drastically reduce instrumentation complexity and image acquisition times is Reflectance Confocal Microscopy (RCM), which provides medical practitioners and/or researchers with the ability of non-invasively and non-destructively acquire three-dimensional representations of a volumetric region of a scattering medium of interest, such as biological tissue. The use of the CS framework to improve sampling times, efficiency and patient safety implies the disadvantage of the considerably time and computational-resource-intensive process of recovering compressively sampled images. In order to compensate for this disadvantage, and with the objective of producing near-real-time RCM imaging of scattering media, the current document details our work on a deep learning framework for the acquisition and recovery of RCM images using CS concepts, including an alternate proposed architecture for the recovery of compressively sampled skin RCM images, a new methodology for constructing acquisition patterns, and a post-processing architecture for improving the performance of recovered images.

La tecnología de Sensado Compresivo ha demostrado gran potencial de mejorar los procesos de adquisición, manipulación y almacenamiento de datos en una gran variedad de aplicaciones con indiscernibles niveles de pérdidas de calidad de imagen. Una de estas aplicaciones, en la que un proceso de adquisición más reciente reduciría drásticamente la complejidad de la instrumentación requerida y los tiempos de adquisición de imágenes, es la Microscopía de Reflectancia Confocal (RCM, por sus siglas en inglés). Esta tecnología permite al personal clínico y/o investigadores la habilidad de adquirir representaciones tridimensionales de un medio translúcido, como lo es el tejido biológico, de manera no invasiva y no destructiva. El uso de la tecnología de Sensado Compresivo para mejorar los tiempos de adquisición, eficiencia del sistema, y la seguridad de los pacientes, introduce la desventaja de los procesos, altamente costosos en términos computacionales, de recuperación de imágenes a partir de sus muestras compresivas. Con el objetivo de compensar estas desventajas, y el de producir imágenes de microscopía de reflectancia confocal a velocidades cercanas a tiempo real, este documento detalla el trabajo realizado en el desarrollo de un marco de trabajo basado en técnicas avanzadas de aprendizaje de máquina para la adquisición y recuperación de imágenes de microscopía de reflectancia confocal utilizando conceptos de Sensado Compresivo. Esto incluye la propuesta de una arquitectura alternativa para la recuperación de imágenes de microscopía de reflectancia confocal de piel adquiridas compresivamente, una nueva metodología para la construcción de patrones de adquisición, y una arquitectura para el procesamiento final de las imágenes recuperadas para mejorar su desempeño.