基于自适应噪声和注意力机制的轻量级 U-Net 架构用于眼底图像鲁棒医学图像去噪

《Scientific Reports》：Adaptive noise and attention mechanisms based light-weight U-net based architecture for robust medical image denoising of retinal fundus images

　　

摘要

糖尿病视网膜病变（DR）是糖尿病的一种并发症，是导致视力受损和最终失明的主要原因之一。这种名为DR的眼部重要疾病会影响眼睛后部的光敏组织，造成神经损伤和视力丧失。将正常病变和神经与受影响的病变和神经区分开来仍然是一项挑战，这导致在诊断和治疗DR时错失机会。这是由于用于DR诊断的视网膜图像中存在噪声。作为支持下游DR分析的一步，本研究提出了一种基于深度学习的图像去噪模型，称为噪声感知残差U-Net（NAR-UNet）架构，以解决底层的图像质量问题。本研究采用了STARE数据集，并进行了五次交叉验证，其中80%用于训练，20%用于验证。视网膜眼底图像（RFI）经过预处理后，使用所提出框架中的自适应噪声模块进行噪声注入，随后模型在有噪声和干净的RFI对上进行训练，考虑到混合损失进行学习，该损失是均方误差（MSE）、结构相似性指数（SSIM）和基于Sobel的梯度损失的组合。实验结果显示，与其他最先进的方法相比，该模型性能最佳，五次交叉验证的平均峰值信噪比（PSNR）为37.99 dB，SSIM为0.946，平均像素准确率为0.9963。所提出的模型还在Messidor数据集上进行了实验，以评估模型的泛化能力，并获得了令人满意的五次交叉验证平均结果，PSNR为40.46 dB，SSIM为0.953，平均像素准确率为0.9990。因此，本文展示了一个用于有效去噪噪声视网膜图像的深度学习框架；所得的图像质量指标（PSNR、SSIM、像素准确率、EME）仅表征去噪性能，该模型对下游DR诊断、病变检测或血管分割的影响在本研究中尚未进行实验评估。