Amélioration profonde de la perception pour l'analyse d'images médicales

En raison de nombreuses limitations matérielles, les dispositifs d’acquisition d’images médicales sont sujets à produire des images de mauvaise qualité (c’est-à-dire à faible contraste, luminosité inappropriée, bruitée, etc.). Malheureusement, ces images dégradées au niveau perceptif ont un impact direct sur le processus de diagnostic, rendant notablement plus complexe la prise de décision par les praticiens médicaux. Cette étude propose d’améliorer ces images de faible qualité en intégrant des stratégies d’apprentissage end-to-end afin d’accélérer les tâches d’analyse d’images médicales. À ce jour, il s’agit du premier travail dans le domaine de l’imagerie médicale à aborder de manière exhaustive l’amélioration perceptuelle, incluant la correction du contraste, la correction de la luminosité, le débruitage, etc., à l’aide d’un réseau profond entièrement convolutif. Le réseau proposé exploite des blocs résiduels ainsi qu’un mécanisme de commande résiduelle afin de réduire les artefacts visuels, et est guidé par une fonction objectif multi-termes permettant de percevoir des images améliorées de manière perceptuellement plausible. La faisabilité de la méthode d’amélioration d’images médicales profondes a été largement évaluée à travers des expériences sophistiquées. Les résultats expérimentaux montrent que la méthode proposée surpasse les méthodes existantes d’amélioration pour différentes modalités d’images médicales, avec une amélioration de 5,00 à 7,00 dB en termes de rapport signal sur bruit maximal (PSNR) et de 4,00 à 6,00 en termes de métrique DeltaE. En outre, la méthode proposée permet une amélioration marquée des performances des tâches d’analyse d’images médicales, révélant ainsi le potentiel de cette approche dans des applications réelles.