超高分辨率的超声波图像重建使用修改的扩散模型

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 图像处理 图像处理

背景情况:

• 超声波成像在医学诊断中至关重要.
• 超分辨率 (SR) 旨在提高低分辨率图像的细节和清晰度.
• 现有的SR方法在超声波图像中保存细节方面面临挑战.

研究的目的:

• 开发和评估用于超声波图像超分辨率 (DMUISR) 的修改扩散模型.
• 提高扩散模型在超声波成像中的SR任务的适用性.
• 为了提高重建的超声波图像的质量和细节.

主要方法:

• DMUISR集成了多层自我注意力 (MLSA) 机制和基于波形变换的低分辨率图像 (WTLR) 编码器.
• 该模型处理插入和放大低分辨率超声波图像以产生高分辨率输出.
• 对1334张胎儿头部周长超声图像 (HC18数据集) 在2×,4×和8×放大度进行了评估.

主要成果:

• 在所有测试的尺度上,DMUISR的表现优于主流的SR方法 (Bicubic,VDSR,DECUSR,DRCN,REDNet,SRGAN).
• 通过清晰的结构和丰富的纹理在硬和软组织中实现了卓越的图像质量.
• 在学习感知图像补丁相似性 (超过50%的减少),峰值信号噪声比率和结构相似性指数度量方面显著改善.

结论:

• 修改的扩散模型,DMUISR,为超声波图像超分辨率提供了卓越的性能.
• DMUISR有效地抑制了SR重建中常见的过度平滑和模式崩问题.
• 该模型显示了显著提高医疗超声波成像质量的潜力,并优化了计算效率.