一种实用的无监督结构保持医学图像增强框架
图像与视频处理
2023-04-05 v1 计算机视觉与模式识别
摘要
医学图像对辅助医疗诊断极具价值。然而在实践中，数据采集时常获得低质量（LQ）医学图像，例如模糊、朦胧、光照不均或失焦等图像，这给医学疾病的筛查与诊断带来困难。已有若干基于生成对抗网络（GAN）的图像增强方法被提出并展现出有前景的结果。然而，这些方法存在质量—原始性权衡，即它们产生视觉愉悦的结果却丧失了保持原始性（尤其是结构输入）的能力。此外，据我们所知，由于配对真值数据的缺失，在无监督设定下尚无客观指标评估医学图像增强方法的结构保持能力。本研究提出一种实用的无监督医学图像增强框架，包括（1）一种称为拉普拉斯结构相似性指数（LaSSIM）的、基于SSIM与拉普拉斯金字塔的、针对医学图像增强任务的无参考客观结构保持评价方法；（2）一种称为拉普拉斯医学图像增强（LaMEGAN）的新型无监督基于GAN的方法，以支持从LQ图像同时提升原始性与质量。LaSSIM指标不需要干净参考图像，且已证明在捕捉不同数据集上如强模糊等图像退化下的结构变化方面优于SSIM。实验表明，我们的LaMEGAN在质量与原始性间取得满意平衡，在生成极具视觉吸引力且图像质量评分极高的结果的同时，具备鲁棒的结构保持性能。代码将发布于 https://github.com/AillisInc/USPMIE。
引用
@article{arxiv.2304.01864,
title = {A Practical Framework for Unsupervised Structure Preservation Medical Image Enhancement},
author = {Quan Huu Cap and Atsushi Fukuda and Hitoshi Iyatomi},
journal= {arXiv preprint arXiv:2304.01864},
year = {2023}
}
备注
11 pages, 7 figures