基于扩散模型的糖尿病视网膜图像质量提升研究

【摘要】 糖尿病视网膜病变(Diabetic Retinopathy,DR)作为糖尿病患者常见的微血管并发症，其早期筛查和准确诊断对于预防视力丧失具有重要意义。然而，临床获取的视网膜图像常受噪声、低对比度及模糊等因素影响，其质量不佳严重制约了诊断的精准性。为应对此挑战，本研究创新性地提出了一种基于深度扩散模型的糖尿病视网膜图像质量增强框架。该框架通过学习从噪声中逆向恢复图像的生成过程，能够协同抑制噪声、提升对比度并锐化图像细节，从而实现视网膜图像质量的显著提升。实验结果表明，经过处理后的图像在峰值信噪比(Peak Signal-to-Noise Ratio,PSNR)平均达到23.15±0.34，结构相似性指数(Structural Similarity Index Measure,SSIM)平均达到0.890±0.062，在上述客观评估指标上均取得了显著改善。本研究不仅为DR的精准早期筛查提供了关键技术支撑，也拓展了扩散模型在复杂医学图像增强与复原领域的应用，展示了其巨大的临床转化潜力。更多还原