21、基于深度学习的眼底图像质量增强与白内障手术评估

基于深度学习的眼底图像质量增强与白内障手术评估

眼底图像质量增强：P2P - FOQE方法

在医疗领域，眼底图像的质量对于疾病的诊断至关重要。为了提高眼底图像的质量，研究人员提出了一种基于Pix2Pix模型的深度学习方法，即P2P - FOQE（Pix2Pix - Fundus Oculi Quality Enhancer）。

P2P - FOQE的工作流程

P2P - FOQE方法主要包括三个连续的阶段：
1. 预增强阶段 ：接收调整为256×256×3分辨率并保持宽高比的彩色眼底图像。首先在HSV颜色空间的V通道进行亮度增强，并结合伽马校正生成亮度增益矩阵；然后在LAB颜色空间的L通道应用CLAHE变换进行对比度增强；最后将处理后的通道堆叠成最终的预增强图像，作为P2P - FOQE模型的输入。
2. Pix2Pix增强阶段 ：利用Pix2Pix模型将高质量图像的特征映射到低质量图像上。该模型由条件GAN生成器（G）和判别器（D）组成。生成器采用改进的U - Net结构，通过跳跃连接避免信息瓶颈；判别器是基于块尺度的Patch - GAN，使用L1项保证低频正确性，减少增强过程中的噪声。最终得到30×30×1的判别器输出块，对70×70×1的图像部分进行分类，生成增强后的眼底图像。
3. 后增强阶段 ：对分辨率为256×256×3的部分增强眼底图像，在RGB通道应用CLAHE变换，将对比度放大因子限制为1.5，以减少自适应直方图均衡化中常见的噪声放大问题。