提高胎儿超声波图像质量和解剖平面识别在低资源的设置使用超分辨率模型

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 低分辨率超声波图像对准确的胎儿诊断构成了挑战,特别是在资源有限的地区.
• 超分辨率 (SR) 技术为提高图像质量和诊断实用性提供了一个有希望的解决方案.

研究的目的:

• 调查和评估先进的SR技术,以提高胎儿超声波图像的分辨率和质量.
• 为了比较基于双反向投影的内部学习 (DBPISR),盲超分辨率生成对抗网络 (BSRGAN),现实世界增强超分辨率生成对抗网络 (Real-ESRGAN),SwinIR和SwinIR-Large的性能.

主要方法:

• 对五种不同的SR模型进行比较分析:DBPISR,BSRGAN,Real-ESRGAN,SwinIR和SwinIR-Large.
• 评估图像质量指标 (PSNR,SSIM,NIQE,BRISQUE) 和对ConvNeXt图像分类任务的影响.
• 测试来自发展中国家的胎儿超声波图像,通常初始质量较低.

主要成果:

• 所有评估的SR模型都显示了图像质量指标 (PSNR,SSIM) 的显著改善.
• 即使使用有限和可变的数据集,Real-ESRGAN也始终提高了图像质量和诊断准确性.
• 超分辨率图像,特别是由Real-ESRGAN处理的图像,导致了ConvNeXt基础分类器的性能提高.

结论:

• 先进的SR技术,特别是Real-ESRGAN,在资源有限的环境中,具有提高胎儿超声波图像评估的巨大潜力.
• 这些方法可以提高诊断准确度,克服与低质量的医学成像数据相关的局限性.
• 该研究强调了SR在改善发展中国家医疗保健成果方面的实际应用.