摘要
由于硬件存在诸多局限性，医学图像采集设备极易产生低质量图像（如对比度低、亮度不适宜、噪声严重等）。遗憾的是，这类感知质量下降的图像会直接影响临床诊断过程，显著增加医务人员决策的复杂性。为此，本研究提出一种基于端到端学习策略的医学图像增强方法，旨在加速医学图像分析任务。据我们所知，这是医学成像领域首次采用全卷积深度神经网络，系统性地解决图像感知质量提升问题，涵盖对比度校正、亮度校正、去噪等多个方面。所提出的网络结构引入残差块与残差门控机制，有效抑制视觉伪影，并通过多目标优化函数引导模型生成在感知上更为自然、合理的增强图像。该深度医学图像增强方法的实用性通过一系列严谨而复杂的实验得到了充分验证。实验结果表明，与现有方法相比，该方法在不同医学图像模态下，峰值信噪比（PSNR）指标提升达5.00至7.00 dB，DeltaE指标提升达4.00至6.00。此外，该方法显著提升了医学图像分析任务的整体性能，充分展现了其在实际临床应用中的巨大潜力。