基于微调生成对抗网络的医学图像超分辨率模型
图像与视频处理
2024-11-25 v9 计算机视觉与模式识别
摘要
在医学图像分析领域,对高分辨率(HR)图像以改善诊断准确性的需求很大。然而,获取 HR 医学图像是一项具有挑战性的任务,因为它需要先进的仪器和大量时间。基于深度学习的超分辨率方法可以帮助提高低分辨率(LR)医学图像的分辨率和感知质量。近来,基于生成对抗网络(GAN)的方法在基于深度学习的超分辨率方法中表现出卓越性能。真实增强超分辨率生成对抗网络(Real-ESRGAN)是一种从真实世界 LR 图像恢复 HR 图像的实用模型。在我们提出的方法中,我们使用迁移学习技术,并利用医学图像数据集对预训练的 Real-ESRGAN 模型进行微调。该技术有助于提升模型性能。我们采用 Real-ESRGAN 的高阶退化模型,其能更好地模拟真实世界图像退化。这种适配可生成更真实的退化医学图像,从而改善性能。本文重点在于增强胸部 X 光和视网膜图像的分辨率与感知质量。我们使用结核病胸部 X 光(Shenzhen)数据集和 STARE 视网膜图像数据集对模型进行微调。所提模型相比 Real-ESRGAN 模型实现了更优的感知质量,有效保留精细细节并生成具有更真实纹理的图像。
引用
@article{arxiv.2211.00577,
title = {Fine-tuned Generative Adversarial Network-based Model for Medical Image Super-Resolution},
author = {Alireza Aghelan and Modjtaba Rouhani},
journal= {arXiv preprint arXiv:2211.00577},
year = {2024}
}