本文介绍的是由武汉纺织大学的胡彦哲在其硕士学位论文中提出的一项研究，题为《基于无监督学习的彩色眼底图像增强算法研究》。该论文于2024年6月完成，指导教师为王骞，研究方向为人工智能，专业为电子科学与技术。论文的主要目标是设计一种基于无监督学习的彩色眼底图像增强算法，以解决当前眼底图像质量不佳的问题，特别是在糖尿病视网膜病变筛查中的应用。
彩色眼底图像在眼科疾病的临床筛查、详细诊断及计算机辅助分析中具有重要作用。然而，研究表明约25%的临床眼底图像质量不佳，无法满足精确诊断的需求，尤其是在糖尿病视网膜病变筛查中，这一问题尤为突出。低质量的眼底图像不仅影响诊断效率，还可能导致误诊或漏诊。尽管现有的眼底图像增强技术主要依赖于有监督学习算法，但这些方法需要大量配对的图像数据进行训练，限制了其在实际应用中的广泛使用。相比之下，无监督学习算法无需大量配对数据，展现出更大的潜力。
本文的研究目的是设计一种基于无监督学习的彩色眼底图像增强算法，能够在提高图像视觉质量的同时，保留病理结构和微小血管等细节。论文的主要贡献包括： 1. 提出了一种基于多尺度变换和无参考损失的无监督眼底图像增强算法，解决了无监督算法在处理眼底图像时易忽略微小特征的问题。 2. 提出了一种基于频域分离与时间上下文感知的无监督眼底图像增强算法，通过频域分离策略和时间上下文残差模块，提升了图像的主观质量。 3. 引入了照度损失函数和结构保留损失函数，确保图像中的关键血管和病理特征被保留。 4. 设计了全局特征提取模块，利用Swin Transformer提取更深层次的特征，并通过自适应残差注意机制促进全局和局部信息的交互。 5. 提出了一个新的后处理扩散模型，避免了传统扩散模型的高计算量生成逆向过程，并能够与其他眼底图像增强框架轻松结合。
论文的研究方法主要包括以下几个步骤： 1. 多尺度变换与无参考损失的无监督眼底图像增强算法：该算法基于U-Net架构，设计了全局特征提取模块，结合亮度注意力机制和照度损失函数，解决了亮度不均匀的问题。同时，引入结构保留损失函数，确保图像中的关键血管和病理特征被保留。 2. 频域分离与时间上下文感知的无监督眼底图像增强算法：该算法通过频域分离策略，将信号分解为低频和高频部分，分别用于提取图像的结构轮廓信息和恢复细微病变特征。同时，引入时间上下文残差模块，通过学习图像中的通道、时间和空间特征，重建图像的光照分布，提升图像的主观质量。 3. 实验设计与结果分析：论文通过公开数据集对提出的算法进行了评估，结果显示该算法在PSNR（峰值信噪比）和SSIM（结构相似性）指标上分别实现了0.88dB和0.024的提升，在VSD（血管分割）和DRA（糖尿病视网膜病变分析）指标上也表现出色，证明了其在保留血管连续性和细微病理特征方面的优势。
论文提出的无监督彩色眼底图像增强算法在主观视觉效果和客观性能指标上均表现出色。实验结果表明，该算法在公开数据集上的PSNR和SSIM指标分别提升了0.88dB和0.024，VSD和DRA指标分别达到了70.8和69.98，展现了其在保留血管连续性和细微病理特征方面的明显优势。这些结果表明，该算法能够有效提升低质量彩色眼底图像的质量，为眼科疾病的早期诊断和治疗提供了有力支持。
本文的研究具有重要的科学价值和应用价值。从科学角度来看，论文提出的无监督学习算法为眼底图像增强领域提供了新的思路，特别是在处理低质量图像时，能够有效保留关键病理特征。从应用角度来看，该算法能够显著提高眼底图像的质量，帮助医生更准确地诊断眼科疾病，特别是在糖尿病视网膜病变的筛查中，具有重要的临床意义。
本文的研究为彩色眼底图像增强领域提供了新的解决方案，特别是在无监督学习算法的应用上取得了显著进展。未来的研究可以进一步优化算法的计算效率，探索更多适用于不同眼科疾病的图像增强方法，并结合更多的临床数据进行验证，以推动该技术在临床实践中的广泛应用。