基于扩散模型的医学图像超分辨率提升：针对低分辨率胃镜图像的优化方案

Haozhe Jia

基于扩散模型的医学图像超分辨率提升：针对低分辨率胃镜图像的优化方案

图像与视频处理 2025-12-30 v1 人工智能计算机视觉与模式识别

作者: Haozhe Jia

摘要

胶囊内镜已实现 Minimally invasive（ minimally invasive）的胃肠成像，但其临床实用性受限于图像固有的低分辨率，这是由于硬件、能源和传输限制所致。这一限制阻碍了对细粒度黏膜纹理和微妙病理特征的识别，从而影响早期诊断。本文研究了一种基于扩散的超分辨率框架，用于以数据驱动和解剖一致的方式增强胶囊内镜图像。我们采用基于去噪扩散概率模型（DDPMs）的SR3（超分辨率通过重复细化）框架，从低分辨率图像学习概率映射。与常规GAN方法相比，后者常因训练不稳定和幻觉伪影而受限，而扩散模型提供稳定的基于似然的训练和 improved 结构保真度。用于训练和评估的HyperKvasir数据集是一个大型公开可用的胃肠道内镜数据集。定量结果表明，所提出的方法显著优于双立方插值和基于GAN的超分辨率方法，如ESRGAN，在基线模型下实现27.5 dB的PSNR和0.65的SSIM，并通过包括注意力机制的架构增强提升至29.3 dB和0.71。定性结果显示， improved 了解剖边界、血管图案和病灶结构的保留。这些发现表明，基于扩散的超分辨率是一种有前景的用于增强非侵入性医学成像的方法，特别是在图像分辨率受限的胶囊内镜中。

关键词

医学图像超分辨率扩散模型 SR3 胶囊内镜 HyperKvasir PSNR SSIM 注意力机制

引用

@article{arxiv.2512.22209,
  title  = {Super-Resolution Enhancement of Medical Images Based on Diffusion Model: An Optimization Scheme for Low-Resolution Gastric Images},
  author = {Haozhe Jia},
  journal= {arXiv preprint arXiv:2512.22209},
  year   = {2025}
}

备注

19 pages, 16 figures. Undergraduate final year project

基于扩散模型的医学图像超分辨率提升：针对低分辨率胃镜图像的优化方案

摘要

关键词

引用

备注

相关论文