通过基于生成对抗网络的图像增强,在3D超声波生物显微镜中提高了生物识别量化
Ahmed Tahseen Minhaz1, Archana Murali2, Faruk H Örge3,4,5
1Department of Biomedical Engineering, Lerner Research Institute, Cleveland Clinic, Cleveland, OH, USA.
Journal of imaging informatics in medicine
|April 10, 2025
概括
一种新的空间变体Deconvolution GAN (SDV-GAN) 增强了眼科的超声波生物显微镜 (UBM) 图像. 这种人工智能方法可以改善眼睛结构和生物识别测量的可视化,帮助临床诊断.
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:
- 超声波生物显微镜 (UBM) 系统在可视化小眼部结构方面存在局限性.
- 提高图像质量对于准确的临床眼科应用至关重要.
研究的目的:
- 开发一种生成对抗网络 (GAN) 方法,SDV-GAN,以提高3D-UBM图像质量.
- 为了提高眼睛结构的可见性,并使用UBM改进生物识别测量.
主要方法:
- 开发了使用空间变异解卷和补丁混合的空间变异解卷GAN (SDV-GAN).
- 在配对的原始和增强的UBM图像上训练SDV-GAN.
- 使用结构相似度指数 (SSIM) 和峰值信号噪声比 (PSNR) 衡量评估的性能.
主要成果:
- SDV-GAN实现了高性能指标 (SSIM:0.96,PSNR:36.92dB),结构清晰,没有工件.
- 显著改进了生物识别测量,包括角度开口距离 (AOD) 和角度隙面积 (ARA).
- 增强了ARA测量的读者间协议,并实现了实时处理 (25/秒).
结论:
- SDV-GAN有效地增强了UBM图像,改善了眼睛结构的可见性和评估.
- 实时增强能力表明了眼科诊断和治疗规划的临床潜力.
- 这种人工智能驱动的方法可以优化现有的UBM扫描仪的使用.
