Medical image super-resolution via diffusion probabilistic models for reducing false negatives in classification

Abstract

Super Resolution (SR) in medical imaging is a technique aimed at improving spatial resolution and image quality, which can significantly impact the performance of automated diagnostic systems. This study investigates the effectiveness of a guided diffusion probabilistic model for enhancing medical image resolution to reduce False Negatives (FN) classification in neural network-based analysis. A comprehensive experimental framework was employed, utilizing a publicly available dataset of brain Magnetic Resonance Imaging (MRI) scans, an optimized Residual Network (ResNet)18 classifier, and a custom-trained guided diffusion model for SR. The model is designed to generate high-resolution images from low-resolution inputs while preserving diagnostically relevant features. Quantitative evaluation demonstrates that the guided diffusion SR model substantially improves the quality of reconstructed images, resulting in a reduction of false-negative predictions by the classifier. The approach provides novel, high-fidelity image information that enhances the classifier’s ability to detect subtle pathological patterns that may be lost in low-resolution data.

A super-resolução em imagens médicas é uma técnica crucial destinada a melhorar a resolução espacial e a qualidade da imagem, o que pode impactar significativamente o desempenho de sistemas automatizados de diagnóstico. Este estudo investiga a eficácia de um modelo probabilístico de difusão guiada para aumentar a resolução de imagens médicas, com o objetivo de reduzir a classificação de falsos negativos em análises baseadas em redes neurais. Foi implementada uma estrutura experimental abrangente, utilizando um conjunto de dados público de imagens de Resonancia Magrnetica cerebrais, um classificador "Residual Network" (ResNet18) otimizado e um modelo de difusão guiada personalizado para superresolução. O modelo foi concebido para gerar imagens de alta resolução a partir de entradas de baixa resolução, preservando características relevantes para o diagnóstico. A avaliação quantitativa demonstra que o modelo de super-resolução baseado em difusão guiada melhora substancialmente a qualidade das imagens reconstruídas, resultando numa redução das previsões de falsos negativos pelo classificador. Esta abordagem fornece informação nova e de alta fidelidade que aumenta a capacidade do classificador em detetar padrões patológicos subtis que poderiam perder-se em dados de baixa resolução.