Polarization-sensitive optical coherence tomography (PS-OCT) is a high-resolution label-free optical biomedical imaging modality that is sensitive to the microstructural architecture in tissue that gives rise to form birefringence, such as collagen or muscle fibers. To enable polarization sensitivity in an OCT system, however, requires additional hardware and complexity. We developed a deep-learning method to synthesize PS-OCT images by training a generative adversarial network (GAN) on OCT intensity and PS-OCT images. The synthesis accuracy was first evaluated by the structural similarity index (SSIM) between the synthetic and real PS-OCT images. Furthermore, the effectiveness of the computational PS-OCT images was validated by separately training two image classifiers using the real and synthetic PS-OCT images for cancer/normal classification. The similar classification results of the two trained classifiers demonstrate that the predicted PS-OCT images can be potentially used interchangeably in cancer diagnosis applications. In addition, we applied the trained GAN models on OCT images collected from a separate OCT imaging system, and the synthetic PS-OCT images correlate well with the real PS-OCT image collected from the same sample sites using the PS-OCT imaging system. This computational PS-OCT imaging method has the potential to reduce the cost, complexity, and need for hardware-based PS-OCT imaging systems.

偏振敏感光学相干断层扫描 (PS-OCT) 是一种高分辨率无标记光学生物医学成像模式，它对组织中产生双折射的微结构结构敏感，例如胶原蛋白或肌肉纤维。然而，为了在 OCT 系统中启用偏振灵敏度，需要额外的硬件和复杂性。我们开发了一种深度学习方法，通过在 OCT 强度和 PS-OCT 图像上训练生成对抗网络 (GAN) 来合成 PS-OCT 图像。首先通过合成和真实 PS-OCT 图像之间的结构相似性指数 (SSIM) 评估合成精度。此外，通过使用真实和合成 PS-OCT 图像分别训练两个图像分类器进行癌症/正常分类，验证了计算 PS-OCT 图像的有效性。两个经过训练的分类器的相似分类结果表明，预测的 PS-OCT 图像可以潜在地在癌症诊断应用中互换使用。此外，我们将经过训练的 GAN 模型应用于从单独的 OCT 成像系统收集的 OCT 图像，合成的 PS-OCT 图像与使用 PS-OCT 成像系统从相同样本站点收集的真实 PS-OCT 图像具有很好的相关性。这种计算 PS-OCT 成像方法有可能降低基于硬件的 PS-OCT 成像系统的成本、复杂性和需求。我们将经过训练的 GAN 模型应用于从单独的 OCT 成像系统收集的 OCT 图像，合成的 PS-OCT 图像与使用 PS-OCT 成像系统从相同样本站点收集的真实 PS-OCT 图像具有很好的相关性。这种计算 PS-OCT 成像方法有可能降低基于硬件的 PS-OCT 成像系统的成本、复杂性和需求。我们将经过训练的 GAN 模型应用于从单独的 OCT 成像系统收集的 OCT 图像，合成的 PS-OCT 图像与使用 PS-OCT 成像系统从相同样本站点收集的真实 PS-OCT 图像具有很好的相关性。这种计算 PS-OCT 成像方法有可能降低基于硬件的 PS-OCT 成像系统的成本、复杂性和需求。