多尺度目标意识的表示学习,用于基金图像增强
Haofan Wu1, Yin Huang2, Yuqing Wu3
1Research Center for Translational Medicine, Medical Innovation Center and State Key Laboratory of Cardiology, Shanghai East Hospital, Shanghai, 200120, China; The Institute for Biomedical Engineering & Nano Science, Tongji University School of Medicine, Shanghai, 200120, China; Shanghai Research Institute for Intelligent Autonomous Systems, Tongji University, Shanghai, 201210, China.
概括
这项研究引入了一种新的多尺度目标意识表示学习框架 (MTRL-FIE),用于增强低质量的基金图像. 该方法有效地恢复了细节,并突出了病态区域,改善了眼科诊断.
科学领域:
- 眼科医生 眼科 眼科
- 医疗成像医学成像
- 计算机视觉 计算机视觉
背景情况:
- 高质量的 fundus 图像对于诊断眼睛疾病至关重要.
- 现有的增强方法往往无法捕获多个规模的信息或专注于特定的目标,如病变.
- 低分辨率和信号噪声比降低了底层图像质量.
研究的目的:
- 开发一个统一的框架,用于全面的基金图像增强.
- 为了改善多层次信息和病理细节的恢复.
- 创建一个针对目标的增强方法,以改善临床诊断.
主要方法:
- 提出了一个多尺度目标意识的代表性学习框架 (MTRL-FIE).
- 使用了具有波纹分解的多尺度特征编码器 (MFE) 来进行多尺度信息嵌入.
- 设计了一种结构维护等级解码器 (SHD),以集体关注功能融合和文物减少.
- 整合了一个针对目标的特征聚合 (TFA) 模块,以增强病态区域.
主要成果:
- 在多个数据集上,MTRL-FIE展示了卓越的 fundus 图像增强性能.
- 与具有更轻质架构的最先进方法相比,取得了更好的结果.
- 在增强病变和保存结构细节方面表现出有效性.
结论:
- MTRL-FIE提供了一种有效和可通用的解决方案,用于 fundus 图像增强.
- 该框架的目标意识方法对于基于医学图像的诊断至关重要.
- 该方法显示了眼科成像中更广泛的临床应用的潜力.
