最优传输引导的无监督学习用于增强低质量视网膜图像
图像与视频处理
2023-02-07 v1 计算机视觉与模式识别
机器学习
摘要
现实世界中的非散瞳视网膜眼底照相在某些眼部或全身性合并症存在时易出现伪影、瑕疵与低质量。伪影可能导致临床诊断的不准确或模糊。本文中，我们提出了一种简单而有效的端到端框架，用于增强低质量视网膜眼底图像。利用最优传输理论，我们提出了一种非配对图像到图像转换方案，将低质量图像传输至其高质量对应图像。我们从理论上证明，具有生成器与判别器的生成对抗网络 (GAN) 模型足以完成此任务。此外，为缓解低质量图像与其增强结果之间的信息不一致，提出了一种信息一致性机制，以最大程度保持源域与增强域之间的结构一致性（视盘、血管、病灶）。在 EyeQ 数据集上进行了大量实验，以在感知与定量上证明所提方法的优越性。
引用
@article{arxiv.2302.02991,
title = {Optimal Transport Guided Unsupervised Learning for Enhancing low-quality Retinal Images},
author = {Wenhui Zhu and Peijie Qiu and Mohammad Farazi and Keshav Nandakumar and Oana M. Dumitrascu and Yalin Wang},
journal= {arXiv preprint arXiv:2302.02991},
year = {2023}
}
备注
Accepted as a conference paper to 20th IEEE International Symposium on Biomedical Imaging(ISBI 2023)