基于多尺度稀疏表示的视网膜OCT图像阴影修复
计算机视觉与模式识别
2022-02-24 v1 图像与视频处理
摘要
修复视网膜光学相干断层扫描(OCT)图像中由浅表血管投射的阴影区域,对于准确稳健的机器分析和临床诊断至关重要。传统的基于序列的方法(如传播邻域信息以逐步填充缺失区域)成本低廉,但在处理较大缺失区域和纹理丰富结构时效果欠佳。新兴的基于深度学习的方法(如编码器-解码器网络)在自然图像修复任务中展现出良好前景。然而,它们通常需要较长的网络训练计算时间,且对数据集规模要求高,难以应用于通常较小的医学数据集。为应对这些挑战,我们提出一种新颖的OCT图像多尺度阴影修复框架,协同应用稀疏表示与深度学习:稀疏表示用于从少量训练图像中提取特征以进一步修复,并在多尺度图像融合后对图像进行正则化,而卷积神经网络(CNN)用于增强图像质量。在图像修复过程中,我们根据阴影宽度将预处理后的输入图像划分至不同分支,以从多尺度获取互补信息。最后,设计了一个基于稀疏表示的正则化模块,在多尺度特征聚合后精炼生成的内容。我们在合成与真实阴影上对比了所提方法与传统的及基于深度学习的技术。结果表明,尤其在出现宽阴影时,我们所提方法在视觉质量和定量指标上均实现了良好的图像修复。
引用
@article{arxiv.2202.11377,
title = {Multi-scale Sparse Representation-Based Shadow Inpainting for Retinal OCT Images},
author = {Yaoqi Tang and Yufan Li and Hongshan Liu and Jiaxuan Li and Peiyao Jin and Yu Gan and Yuye Ling and Yikai Su},
journal= {arXiv preprint arXiv:2202.11377},
year = {2022}
}