È stato dimostrato che l'IA può migliorare la qualità delle immagini mediche. Scopri di più su come questo recente sviluppo possa fare la differenza!
Negli ultimi anni, l'endomicroscopia è diventata sempre più utilizzata a scopi diagnostici e per la guida interventistica. Può fornire supporto intraoperatorio per la caratterizzazione dei tessuti in tempo reale e aiutare a eseguire indagini visive mirate, ad esempio per scoprire i tumori epiteliali. A causa delle limitazioni fisiche sul processo di acquisizione, le immagini di endomicroscopia hanno ancora oggi un basso numero di pixel informativi che ne compromettono la qualità . Le tecniche di post-elaborazione, come la Super-Risoluzione (SR), sono una soluzione potenziale per aumentare la qualità di queste immagini. Le tecniche SR sono spesso supervisionate e richiedono coppie allineate di patch di immagini a bassa risoluzione (LR) e a alta risoluzione (HR) per addestrare un modello. Tuttavia, nella nostra applicazione, la mancanza di immagini HR impedisce la raccolta di tali coppie e rende l'addestramento supervisionato inappropriato. Per questo motivo, proponiamo un framework di SR non supervisionato basato su una rete neurale adversariale con una consistenza ciclica ispirata ai principi fisici, progettata per imporre alcune proprietà di acquisizione sulle immagini super-risolte. Il nostro framework può sfruttare immagini HR, indipendentemente dal dominio da cui provengono, per trasferire la qualità delle immagini HR alle immagini LR iniziali. Questa proprietà può essere particolarmente utile in tutte le situazioni in cui le coppie LR/HR non sono disponibili durante l'addestramento. La nostra analisi quantitativa, validata utilizzando un database di 238 sequenze di video endomicroscopia da 143 pazienti, mostra la capacità del processo di produrre immagini super-risolte convincenti. Uno studio MOS (Mean Opinion Score) conferma anche questa valutazione quantitativa della qualità dell'immagine.