一个以注意力为基础的两个阶段的多层次网络,用于弱监督的白内障 fundus 图像增强

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:

• 白内障是导致视力丧失的主要原因,并使视网膜图像分析复杂化.
• 增强白内障 fundus 图像是困难的,因为有限的配对数据和细节损失.

研究的目的:

• 提出一个新的弱监督网络 (TSMSA-Net) 用于白内障底部图像增强.
• 为了解决配对训练数据的稀缺性,并改善细节的恢复.

主要方法:

• 一个两阶段的方法:第一阶段使用CycleGAN从未配对的数据中实现现实的配对图像合成.
• 第二阶段采用多层次的关注网络,在弱监督下进行特征提取和细节恢复.

主要成果:

• TSMSA-Net有效地增强了白内障 fundus 图像,超过了最先进的方法.
• 该网络在多个数据集上表现出强大的概括能力,即使没有配对图像.
• 增强图像可以改善下游任务,如船舶细分和疾病分类.

结论:

• TSMSA-Net为白内障底部图像增强提供了一个强大的解决方案.
• 该方法减轻了数据稀缺性,并提高了对危及视力的疾病的诊断准确性.