光学放大医学图像超分辨率的多阶段渐进式多注意力Transformer研究

针对光学放大医学图像因设备限制、光照变化等因素导致的低分辨率问题，研究人员提出多阶段渐进式多注意力Transformer（MPMAT）框架，通过三阶段设计和多注意力组（MAG）方法，显著提升图像质量（PSNR提升0.3-1.2 dB），为临床诊断提供高清晰度影像支持。

　　

光学放大医学图像在皮肤病、视网膜和耳科疾病的临床诊断中至关重要，但设备限制、光照差异等因素常导致图像分辨率低、细节模糊，影响诊断准确性。尽管现有超分辨率技术如GAN和SwinIR在传统数据集表现良好，但其单阶段设计难以捕捉多尺度信息，且局部与全局特征融合能力不足。为此，来自中国的研究团队提出多阶段渐进式多注意力Transformer（MPMAT），通过三阶段渐进修复和创新的多注意力组（MAG）方法，显著提升图像清晰度。

关键技术包括：1）三阶段渐进式架构逐步修复细节；2）结合通道与空间注意力的MAG模块；3）多卷积特征融合块（MCFFB）减少冗余特征。实验采用皮肤镜、眼底镜和耳镜数据集验证，MPMAT在PSNR指标上超越现有方法0.3-1.2 dB。

Multi-stage progressive multi attention transformer (MPMAT)
MPMAT通过三阶段设计（小、中、大尺度）逐步提取多尺度特征，避免单阶段模型的细节丢失问题。每阶段通过MAG模块整合局部与全局信息，MCFFB优化特征提取序列，最终生成高分辨率图像。

Datasets
研究使用皮肤镜（7类色素性皮损）、眼底镜（白内障、青光眼等）及耳镜（中耳炎、鼓膜病变等）数据集，涵盖良恶性病变，验证模型普适性。

Conclusions
MPMAT通过多阶段渐进修复和注意力机制，解决了医学图像超分辨率中的多尺度信息利用不足问题，生成的图像细节更丰富，为临床诊断提供可靠工具。尽管计算成本略有增加，但其性能优势显著，未来可拓展至其他医学影像领域。

（注：论文发表于《Biomedical Signal Processing and Control》，作者Mingxuan Li等未披露具体单位，但基金支持显示为中国国家自然科学基金和济南市科技项目。）