In this paper, a novel statistical model is proposed for retinal optical coherence tomography (OCT) images. According to the layered structure of the retina, a mixture of six Weibull distributions is proposed to describe the main statistical features of OCT images. We apply Weibull distribution to establish a more comprehensive model but with fewer parameters that has better goodness of fit (GoF) than previous models. Our new model also takes care of features such as asymmetry and heavy-tailed nature of the intensity distribution of retinal OCT data. In order to test the effectiveness of this new model, we apply it to improve the low quality of the OCT images. For this purpose, the spatially constrained Gaussian mixture model (SCGMM) is implemented. Since SCGMM is designed for data with Gaussian distribution, we convert our Weibull mixture model to a Gaussian mixture model using histogram matching before applying SCGMM. The denoising results illustrate the remarkable performance in terms of the contrast to noise ratio (CNR) and texture preservation (TP) compared to other peer methods. In another test to evaluate the efficiency of our proposed model, the parameters and GoF criteria are considered as a feature vector for support vector machine (SVM) to classify the healthy retinal OCT images from pigment epithelial detachment (PED) disease. The confusion matrix demonstrates the impact of the proposed model in our preliminary study on the OCT classification problem.

中文翻译：

---

使用 Weibull 混合模型对视网膜光学相干断层扫描进行统计建模

在本文中，为视网膜光学相干断层扫描 (OCT) 图像提出了一种新的统计模型。根据视网膜的分层结构，提出了六个威布尔分布的混合来描述OCT图像的主要统计特征。我们应用威布尔分布来建立一个更全面的模型，但参数更少，具有比以前的模型更好的拟合优度 (GoF)。我们的新模型还处理了诸如视网膜 OCT 数据强度分布的不对称性和重尾性质等特征。为了测试这个新模型的有效性，我们应用它来改善 OCT 图像的低质量。为此，实施了空间约束高斯混合模型 (SCGMM)。由于 SCGMM 是为具有高斯分布的数据而设计的，在应用 SCGMM 之前，我们使用直方图匹配将我们的 Weibull 混合模型转换为高斯混合模型。去噪结果表明与其他同行方法相比，在对比度噪声比（CNR）和纹理保留（TP）方面的显着性能。在评估我们提出的模型效率的另一项测试中，参数和 GoF 标准被视为支持向量机 (SVM) 的特征向量，以对来自色素上皮脱离 (PED) 疾病的健康视网膜 OCT 图像进行分类。混淆矩阵证明了所提出的模型在我们对 OCT 分类问题的初步研究中的影响。去噪结果表明与其他同行方法相比，在对比度噪声比（CNR）和纹理保留（TP）方面的显着性能。在评估我们提出的模型效率的另一项测试中，参数和 GoF 标准被视为支持向量机 (SVM) 的特征向量，以对来自色素上皮脱离 (PED) 疾病的健康视网膜 OCT 图像进行分类。混淆矩阵证明了所提出的模型在我们对 OCT 分类问题的初步研究中的影响。去噪结果表明与其他同行方法相比，在对比度噪声比（CNR）和纹理保留（TP）方面的显着性能。在评估我们提出的模型效率的另一项测试中，参数和 GoF 标准被视为支持向量机 (SVM) 的特征向量，以对来自色素上皮脱离 (PED) 疾病的健康视网膜 OCT 图像进行分类。混淆矩阵证明了所提出的模型在我们对 OCT 分类问题的初步研究中的影响。参数和 GoF 标准被视为支持向量机 (SVM) 的特征向量，以将健康的视网膜 OCT 图像与色素上皮脱离 (PED) 疾病进行分类。混淆矩阵证明了所提出的模型在我们对 OCT 分类问题的初步研究中的影响。参数和 GoF 标准被视为支持向量机 (SVM) 的特征向量，以将健康的视网膜 OCT 图像与色素上皮脱离 (PED) 疾病进行分类。混淆矩阵证明了所提出的模型在我们对 OCT 分类问题的初步研究中的影响。