HQG-Net:通过高质量的指导来增强未配对的医疗图像

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 计算机视觉 计算机视觉

背景情况:

• 未配对的医疗图像增强 (UMIE) 旨在改善没有配对训练数据的低质量 (LQ) 医疗图像.
• 现有的UMIE方法,通常基于GANs,难以明确利用高质量 (HQ) 信息,导致文物和扭曲.

研究的目的:

• 提出一种新的UMIE方法,直接将HQ线索编码到增强过程中.
• 提高医疗图像的视觉质量和结构完整性.
• 确保增强图像有利于下游诊断任务.

主要方法:

• 一种可变的方法来建模LQ和HQ图像域之间的联合分布.
• 通过变量规范化模块,明确地将HQ图像特征插入增强网络中.
• 使用区分器,内容意识损失 (基于波点的像素和多编码器特征级别) 的对抗训练,以及用于合作优化下游任务的双层学习方案.

主要成果:

• 拟议的方法有效地指导使用HQ线索的LQ医疗图像增强.
• 生成的HQ图像表现出更好的视觉吸引力和减少结构扭曲.
• 与现有方法相比,增强的图像在下游任务中显示出更高的性能.
• 在三个医疗数据集上的实验验证证证了该方法的有效性.

结论:

• 这种新的UMIE方法成功地集成了HQ信息,以增强LQ医疗图像.
• 该方法为临床应用提供了视觉上具有吸引力和功能上有用的增强图像.
• 双级学习方案优化了增强和下游任务性能,展示了该方法的实际实用性.