使用 CycleGAN 与感知损失增强超声图像

目的：本工作的目标是引入一种先进的框架以增强超声图像，特别是由便携式手持设备捕获的图像，这些设备由于硬件限制通常产生质量较低的图像。此外，该框架具有独特的能力，能够有效处理未配准的输入超声图像对，从而解决医学成像中的一个常见挑战。材料与方法：在这项回顾性研究中，我们利用增强的生成对抗网络模型来实现跨五个器官系统的超声图像增强。应用源自预训练神经网络深度特征的感知损失，以确保增强图像的人类感知质量。将这些图像与从高分辨率设备获取的配对图像进行比较，以证明该模型跨器官系统生成逼真高质量图像的能力。结果：该框架的初步验证显示了有前景的性能指标。该模型生成的图像结构相似性指数得分为 0.722，局部归一化互相关得分为 0.902，峰值信噪比指标为 28.802。结论：本工作通过开发结合感知损失增强的 CycleGAN 模型，有效弥合了不同设备超声图像之间的质量差距，在医学成像领域取得了显著进展。通过在配对图像上进行训练，该模型不仅提高了图像质量，还确保了对重要解剖结构内容的保留。这种方法可以通过增强便携式设备的能力来改善医疗保健获取的公平性，尽管更广泛的临床应用仍需进一步的验证和优化。