EyeBench：关于视网膜图像增强更严谨评估的呼声
图像与视频处理
2025-02-21 v1 人工智能
计算机视觉与模式识别
摘要
过去十年，生成模型在视网膜图像增强方面取得了显著进展。然而，这些模型的评估仍然面临 considerable 挑战。对于视网膜图像增强而言，建立全面的评估基准至关重要，这主要基于以下三个原因：1）现有的去噪指标（如 PSNR、SSIM）难以延伸到下游真实临床研究（如血管形态一致性）。2）缺乏对有条件和无条件增强方法的全面评估，亟需专家协议以准确评估临床价值。3）理想的评估系统应提供见解以指导未来视网膜图像增强的发展。为此，我们提出了 EyeBench，一个新型全面基准，旨在提供与临床需求相吻合的见解，为未来工作提供基础，以提高面向临床的生成模型在视网膜图像增强中的相关性和适用性。EyeBench 具有三个吸引人之处的特性：1）多维度临床对齐的下游评估：除了评估增强任务外，我们还提供了若干临床重要的下游任务，包括血管分割、糖尿病视网膜病变分级、去噪泛化和病灶分割。2）医学专家指导的评估设计：我们引入了新型数据集，以促进有条件和无条件方法的全面且公平比较，并包括医学专家制定的手动评估协议。3）有价值的见解：我们的基准研究在不同下游任务中对现有方法进行全面且严谨的评估，帮助医学专家做出明智的选择。此外，我们还对现有方法面临的挑战进行了进一步分析。代码已公开于 \url{https://github.com/Retinal-Research/EyeBench}。
引用
@article{arxiv.2502.14260,
title = {EyeBench: A Call for More Rigorous Evaluation of Retinal Image Enhancement},
author = {Wenhui Zhu and Xuanzhao Dong and Xin Li and Yujian Xiong and Xiwen Chen and Peijie Qiu and Vamsi Krishna Vasa and Zhangsihao Yang and Yi Su and Oana Dumitrascu and Yalin Wang},
journal= {arXiv preprint arXiv:2502.14260},
year = {2025}
}