在疾病领域提高超声波图像质量:应用循环一致的生成对抗网络和感知损失

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:

• 现有的超声波图像增强方法经常使用注册图像或器官特征,限制了概括性.
• 与高端设备相比,便携式超声波设备产生的图像质量较低,造成了性能差距.
• 需要一个通用的框架来提高超声波图像质量,在各种设备和条件下,独立于注册或器官特征.

研究的目的:

• 开发一个强大的框架来提高超声波图像质量,特别是从低成本的便携式设备.
• 在各种临床环境和设备类型中有效处理未注册的超声波图像对.
• 为改善诊断成像可访问性和质量提供一个通用和可适应的解决方案.

主要方法:

• 使用 CycleGAN 框架增强的知觉损失进行了回顾性分析.
• 通过比较预训练的神经网络的深度特征,整合了感知损失,以保持解剖完整性.
• 模型的性能与高分辨率图像进行了评估,并在多样化的公共数据集上进行了验证.

主要成果:

• 增强的CycleGAN框架在关键评估指标上显著优于稳定的CycleGAN.
• 结构相似性指数改善至0.2889 (相对于0.2502),峰值信号与噪声比为15.8935 (相对于14.9430).
• 学习感知图像补丁相似性得分为0.4490 (vs. 0.5005),表明优越的增强和解剖细节的保存.

结论:

• 增强的CycleGAN模型成功地弥合了不同设备之间的超声波成像质量差距.
• 通过处理未注册的图像对,该模型提高了视觉质量,同时保留了用于诊断的关键解剖结构.
• 这种方法可以使高质量的超声波成像实现民主化,改善医疗保健结果,特别是在资源有限的环境中.