MDRSGAN:多规模的深度残留收缩为医疗形象增强提供生成对抗网络

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 计算机视觉 计算机视觉

背景情况:

• 高质量的医学图像对于准确的临床诊断和治疗至关重要.
• 噪音,文物和不均的照明造成的图像退化是一个重大挑战.
• 现有的增强方法经常与复杂的图像质量问题作斗争.

研究的目的:

• 提出一个新的多尺度深度残留收缩生成对抗网络 (MDRSGAN),用于未配对的医疗图像增强.
• 为了解决当前医疗图像质量改进技术的局限性.
• 开发一种强大的方法来增强各种医学成像模式.

主要方法:

• 开发了一个定制发电机 (DRSN-CS) 用于层次特征提取和自适应噪声抑制.
• 采用双核区分器来确保全球统计的一致性和本地结构忠实性.
• 集成内容感知损失和照明损失,以优化图像细节和功能.

主要成果:

• 与五种主流方法相比,MDRSGAN在视网膜底部,内镜和NIR-II小鼠数据集上表现出卓越的性能.
• 在NIR-II小鼠图像中,信号与噪声比 (SNR) 提高了5%.
• 在下游视网膜血管细分中,改善了与联盟 (IoU) 之间的交叉点和子相似系数 (DSC) 的13%和8%.

结论:

• 拟议的MDRSGAN有效地提高了医疗图像质量,优于现有的方法.
• 网络的架构和损失函数有助于显著改善图像保真度和细节.
• 证明了强大的临床适用性和性能优势,特别是在增强视网膜图像的细分任务.