超分辨率模型助力低资源环境下胎儿超声成像质量提升与解剖平面识别

研究人员针对低资源环境下超声图像问题，开展超分辨率模型研究，发现 Real-ESRGAN 等模型可提升图像质量与诊断准确性。

　　在医疗领域，超声成像凭借其无创、低成本和实时成像的特点，成为重要的诊断工具，尤其是胎儿超声成像，能实时观察胎儿发育情况，助力早期发现潜在异常。然而，超声成像存在诸多局限。设备方面，低分辨率的超声设备获取的图像模糊、细节缺失；操作人员的专业水平参差不齐，也会影响图像质量；胎儿位置以及母体组织特征、孕周等因素，同样会导致超声图像质量下降，进而影响诊断的准确性。

为了解决这些问题，来自多个研究机构的研究人员，包括 University M’Hamed Bougara 的 Hafida Boumeridja、Hamad Bin Khalifa University 的 Mohammed Ammar 等，开展了关于超分辨率（SR）技术应用于胎儿超声图像的研究。该研究成果发表在《Scientific Reports》上。

研究人员运用了多种关键技术方法。在数据集方面，使用了西班牙开源数据集和来自五个非洲国家的数据集。这些数据集涵盖不同超声设备采集的图像，为研究提供了丰富多样的样本。在模型评估上，采用了峰值信噪比（PSNR）、结构相似性指数（SSIM）、盲 / 无参考图像空间质量评估器（BRISQUE）和自然图像质量评估器（NIQE）等多种图像质量评估指标。同时，利用 ConvNext_base分类器进行分类实验，评估超分辨率模型对图像语义内容的保留情况。

研究结果主要分为以下几个方面：

• 超分辨率增强效果评估：在不同国家的超声图像上应用超分辨率模型后，发现不同模型表现各异。在阿尔及利亚，BSRGAN 表现最佳，PSNR 达到 35.21dB，SSIM 为 0.882，在精度和感知质量指标上都很出色；埃及的 Real-ESRGAN 表现突出，PSNR 为 35.40dB，SSIM 高达 0.909，能生成逼真、细节丰富的图像。在加纳、马拉维和乌干达，BSRGAN 和 Real-ESRGAN 在提升图像质量方面表现优异，具体选择则取决于对 PSNR、SSIM、BRISQUE 和 NIQE 等指标的侧重。
• 分类性能评估：通过对原始图像和超分辨率处理后图像的分类实验，发现不同模型在不同数据集上的分类性能差异较大。在西班牙数据集上，Real-ESRGAN 在准确率（提高 1.18%）、F1 分数（提高 1.53%）和 Kappa 系数（提高 1.60%）上表现出色；在非洲数据集上，Real-ESRGAN 在多数国家（除乌干达外）也展现出良好的分类性能，如在阿尔及利亚，准确率提高 11%，F1 分数提高 5.57%，Kappa 系数提高 11.66% 。而 BSRGAN 虽然图像质量较好，但在分类性能上表现不稳定，在一些国家甚至出现负向影响。
• 医学专家评估：邀请经验丰富的妇科医生对超分辨率模型增强后的超声图像进行评估，采用平均意见得分（MOS）衡量图像质量和诊断效用。结果显示，Real-ESRGAN 获得了较高的分数，表明其在提升图像视觉质量和诊断信心方面表现良好。

研究结论和讨论部分指出，Real-ESRGAN 在提升超声图像质量和分类准确性方面表现出色，是一个有潜力的超分辨率模型。但它对训练数据的特征较为敏感，数据集的大小和图像多样性会影响其性能。SwinIR 和 SwinIR_Large在特定环境下也有不错的表现，而 DBPISR 则表现较差。

这项研究意义重大。在临床方面，超分辨率模型有助于在资源受限的环境中提升胎儿超声图像质量，使医生能更清晰地观察胎儿解剖结构，检测出细微的异常，从而改善产前筛查的诊断准确性，减少医疗资源差距。在实际应用中，超分辨率技术可以降低对操作人员专业水平的依赖，提高工作流程效率，还能应用于远程医疗，加速诊断进程。此外，该技术还能延长旧设备的使用寿命，节省医疗成本。

未来的研究可以进一步拓展训练数据的范围，涵盖更多胎儿状况和患者群体，同时探索超分辨率技术在超声视频序列中的应用，结合边缘人工智能设备和联邦学习技术，提升模型性能，为医疗领域带来更多突破。