双通道轻量级GAN用于增强色彩视网膜图像的噪声抑制和结构保护
概括
一个新的扩展混合生成对抗网络 (DS-GAN) 通过抑制噪音,同时保留结构细节,有效地增强彩色视网膜图像. 这种轻量级模型为便携式设备上的实时应用提供了潜力.
科学领域:
- 眼科医生 眼科 眼科
- 医疗成像医学成像
- 计算机视觉 计算机视觉
- 人工智能的人工智能
背景情况:
- 颜色视网膜图像的图像增强对于诊断眼睛疾病至关重要.
- 抑制噪音,同时保持视网膜图像的结构完整性是一个重大挑战.
- 现有的方法往往难以平衡降噪与结构保护.
研究的目的:
- 提出一种新的深度学习模型,用于有效的彩色视网膜图像增强.
- 为了同时应对抑制噪音和保护结构细节的挑战.
- 开发适合实时处理和便携式设备的轻量级模型.
主要方法:
- 开发一个双通道轻量级生成对抗网络 (DS-GAN).
- 发电机使用单独的RB和GN分支,具有扩展和正常卷积,用于本地和全球上下文提取.
- 频道混合方便频道间功能融合;ShuffleNetV2 作为区分器.
- 培训使用了定制数据集和混合损失函数,将MS-SSIM和感知损失结合起来.
主要成果:
- DS-GAN成功地抑制了噪音,保留了细微的结构,并增强了彩色视网膜图像中的对比度.
- 在多个公共和临床数据集上进行评估,拟议的方法优于现有的六种增强技术.
- 该模型显示了减少的参数数量,从而实现了潜在的实时增强功能.
结论:
- DS-GAN是一种高度有效和高效的颜色视网膜图像增强方法.
- 与当前的方法相比,它在降噪和结构保护方面取得了卓越的性能.
- 轻量级架构使其适合在临床应用的资源有限的设备上部署.
