CUNSB-RFIE:视网膜底部的文本感知未配对的神经施罗丁格桥 图像增强
Xuanzhao Dong1, Vamsi Krishna Vasa1, Wenhui Zhu1
1Arizona State University.
概括
这项研究引入了一种新的方法,用于通过施罗丁格桥 (SB) 框架增强视网膜底图像,提高诊断质量. 情境感知未配对神经施罗丁格桥 (CUNSB-RFIE) 有效地增强了图像细节和疾病监测能力.
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:
- 高质量的视网膜底图像对于诊断和监测视网膜疾病至关重要.
- 图像采集通常受到系统缺陷和操作员/患者因素的影响.
- 现有的增强方法,如GAN,面临培训稳定性和输出多样性的挑战.
研究的目的:
- 使用施罗丁格桥 (SB) 开发一种用于视网膜图像增强的新框架.
- 为了改善细微结构细节的保存,例如视网膜血管.
- 为低质量的视网膜图像引入稳定有效的图像对图像翻译管道.
主要方法:
- 利用施罗丁格桥 (SB) 框架进行图像对图像的翻译.
- 结合动态蛇形卷积来保存像血管这样的管状结构.
- 开发上下文意识的未配对神经施罗丁格桥梁 (CUNSB-RFIE) 框架.
主要成果:
- 拟议的CUNSB-RFIE方法在视网膜图像增强方面表现出卓越的性能.
- 该框架有效地将低质量的视网膜图像转化为高质量的对应图像.
- 实验结果显示,在大型数据集上,实验结果比监督和无监督的最先进方法具有优势.
结论:
- CUNSB-RFIE框架代表了视网膜图像增强方面的重大进步.
- 这项工作是首次将SB方法应用于视网膜图像增强.
- 该方法提高了眼科的图像质量和下游任务性能.


