基于扩散模型的通用医学图像增强技术UniMIE：无需训练的跨模态高质量成像新范式

《Communications Medicine》：A diffusion model for universal medical image enhancement

本研究针对医学图像质量不均导致的诊断难题，提出无需训练的通用增强框架UniMIE。通过预训练扩散模型实现13种模态医学图像的跨域增强，在COVID-19检测、神经纤维分割等15项任务中超越专业模型，为临床决策提供高精度图像支持。

　　

在临床诊断中，约12%的眼底图像因质量缺陷被眼科医生判定为不可读，英国生物银行数据中30%的视网膜图像未达诊断标准。这些低对比度、强度不均的医学图像严重阻碍了疾病筛查和计算机辅助诊断的自动化进程。传统基于直方图均衡化(HE)或Retinex的方法参数敏感，而监督学习需要难以获取的配对数据，现有GAN增强方案又存在噪声放大和伪影问题。

针对这一挑战，研究人员开发了基于扩散模型的通用医学图像增强系统UniMIE。该技术仅需单个ImageNet预训练模型，无需任何微调即可处理13种医学成像模态。通过将增强问题转化为逆问题求解，UniMIE创新性地采用可学习退化掩模_M和曝光控制损失，实现了动态亮度调节和任意尺寸图像处理。在角膜神经、视网膜血管等精细结构增强任务中，信噪比(SNR)提升达300%，COVID-19病灶检测准确率接近理论上限。

关键技术包括：1) 基于DDPM(去噪扩散概率模型)的逆向采样框架；2) 重叠分块策略处理任意尺寸输入；3) 曝光控制损失_LEC和光照平滑损失_Lis的质量优化模块；4) 退化函数y=fx+_M的参数估计方法。

Confocal图像增强与神经纤维分割
在CORN角膜神经数据集上，UniMIE通过5像素半径背景噪声分析显示SNR显著优于基线方法（图2d-h）。神经纤维分割的AUC达0.98，较Zero-DCE++提升12%。

彩色眼底图像性能
对RIADD数据集的AMD(年龄相关性黄斑变性)和DR(糖尿病视网膜病变)图像，采用MCF-Net评估的sHQ质量评分提升35%，纹理细节保留优于监督学习方法（图3a-d）。

内窥镜图像评估
在EndoScene数据集上，LOE(光照顺序误差)和BRISQUE(无参考图像质量指标)分别降低62%和58%，显著减少传统方法常见的过度曝光问题（图3f-i）。

CT与MRI迁移应用
中国国家生物信息中心的COVID-19 CT数据增强后，GGO(磨玻璃影)检测准确率提升至97%；BrainWeb脑部MRI的Dice分割系数达0.91，验证了跨模态适应性（图4c-e）。

该研究证实，扩散模型先验可突破医学图像领域的数据壁垒，UniMIE在保持视网膜血管分支（直径<10μm）等亚像素结构的同时，将内窥镜照明的均匀度提升4倍。这种训练自由的增强范式为医疗设备嵌入式应用开辟了新路径，其动态曝光调节功能（E=0.4时最优）尤其适用于术中实时成像。未来与光学相干断层扫描(OCT)等技术的结合，有望进一步推动精准医疗发展。