适应性增强白内障视网膜图像用于对比度标准化

科学领域:

• 眼科医生 眼科 眼科
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 白内障引起的透镜不透明性显著降低了视网膜底图像的质量和对比度.
• 图像质量差阻碍了准确的临床诊断和自动化分析算法的性能.

研究的目的:

• 开发一种用于增强白内障底部图像的自动化方案,以匹配正常图像的对比度.
• 根据白内障分级的严重程度调整图像增强策略.

主要方法:

• 使用具有量化对比度的降解模型创建了一个多层次的白内障数据集.
• 实施了自适应增强策略,使用模糊分类器从三个增强网络中进行选择.
• 引入了一个模糊度分级损失函数来完善增强图像的对比度.

主要成果:

• 提出的方法在合成数据 (PSNR,SSIM,FSIM) 和临床图像 (PIQE,FID) 上取得了卓越的性能.
• 在没有过度增强的情况下,在关键分数中显示了7.78%的改进,这表明增强质量接近高分辨率图像.
• 视觉评估证实了该方法在各种临床数据集和模糊度等级中的适用性.

结论:

• 开发的方法有效地增强了白内障底部图像,使不同严重程度的对比度正常化.
• 这种技术具有显著的潜力,可以改善临床诊断和计算机辅助诊断工具的准确性.
• 适应性增强策略确保了适当的图像质量,有利于人类解释和自动化分析.