基于GAN的高效医学图像传输与分辨率增强

尽管X射线成像在医学诊断中不可或缺，但其本身带有噪声和分辨率限制，掩盖了诊断所需的细节。黑白X射线图像需要在噪声抑制和高细节保留之间取得谨慎平衡，以确保软组织结构和骨骼边缘的清晰度。尽管传统方法（如CNN和早期超分辨率模型ESRGAN）增强了图像分辨率，但它们在黑白成像的高频细节保留和噪声控制方面往往表现不佳。在本文中，我们将提出一种在优化网络传输的同时提高图像质量的高效方法。通过Real-ESRGAN（ESRGAN的一个阐释与改进版本）将X射线图像预处理为低分辨率文件，有助于减少服务器负载和传输带宽。在接收端，使用针对真实世界图像退化进行微调的Real-ESRGAN对低分辨率图像进行放大。该模型将Residual-in-Residual Dense Blocks与感知损失和对抗损失函数相结合，以生成低噪声的高质量放大图像。我们进一步通过使Real-ESRGAN适应特定的黑白噪声和对比度特征对其进行微调。这在不损害细节的情况下抑制了噪声伪影。所进行的比较评估表明，与最先进的基于CNN和ESRGAN的模型相比，我们的方法实现了更优的噪声降低和细节清晰度，此外还降低了网络带宽需求。这些优势通过定量指标（包括峰值信噪比和结构相似性指数）和定性评估均得到了证实，表明了Real-ESRGAN在诊断质量X射线成像和高效医学数据传输方面的潜力。