通过重建进行一般视网膜图像增强:使用隐性扩散适配器弥合分布转移

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:

• 深度学习在 fundus 图像增强方面表现出色,但在数据集和退化中的泛化方面存在困难.
• 现有的方法通常需要大量的微调,并且仅限于特定的图像质量.

研究的目的:

• 开发一个可通用和灵活的深度学习框架,用于基金图像增强.
• 提高模型对各种数据集和图像退化而无需进行广泛的再培训的适应性.

主要方法:

• 一种两阶段的方法:使用未配对数据的自我监督学习重建,然后适应目标数据集.
• 在自动编码器和扩散网络中集成适应损失和增强适配器.
• 从重建阶段使用预训练的重量,在适应阶段进行高效的微调.

主要成果:

• 证明了对不同数据集和降解的适应性,展示了改善的 fundus 图像质量.
• 与从头开始的培训相比,实现了更快的融合,需要较少的可训练参数.
• 验证了隐性扩散模型用于视网膜图像增强的可行性.

结论:

• 拟议的重建 - 适应框架为基金的形象增强提供了通用和灵活的解决方案.
• 这种方法增强了模型的概括性,并减少了对大型配对数据集的需求.
• 该框架的多功能性扩展到不同的模型骨干和成像模式.