基于生成对抗网络的视网膜眼底图像超分辨率，辅以血管结构先验

许多眼科和全身疾病可以通过分析视网膜眼底图像进行筛查。视网膜眼底图像的清晰度和分辨率直接决定了临床诊断的有效性。基于生成对抗网络的深度学习方法因其强大的生成能力而被广泛应用于各种研究领域，特别是在图像超分辨率方面。尽管Real-ESRGAN是一种最近提出的方法，在处理真实世界的退化图像方面表现出色，但在超分辨率处理结构信息丰富的视网膜眼底图像时，它存在结构失真的问题。为了解决这一缺陷，我们首先使用预训练的U-Net模型处理输入图像，以获得视网膜血管的结构分割图，并将分割图用作结构先验。然后，使用空间特征变换层更好地将结构先验整合到生成器的生成过程中。此外，我们还在判别器的跳跃连接中引入了通道和空间注意模块，以强调有意义的特征，并相应增强判别器的鉴别能力。基于原始损失函数，我们引入L1损失函数来测量高分辨率图像与超分辨率图像中的视网膜血管结构分割图之间的像素级差异，以进一步约束超分辨率图像。在视网膜图像数据集上的仿真结果表明，我们改进的算法在抑制超分辨率图像中的结构失真方面具有更好的视觉表现。