自监督域适应突破低质量眼底图像质量增强的局限
图像与视频处理
2025-02-11 v1 人工智能
计算机视觉与模式识别
摘要
视网膜眼底图像已被用于糖尿病视网膜病变（DR）或糖尿病性黄斑水肿（DME）等眼疾的诊断与筛查。然而，低质量眼底图像与风格不一致均可能增加眼底疾病诊断的不确定性，甚至导致眼科医生误诊。现有多数图像增强方法主要通过利用高质量图像的引导来提升图像质量，而高质量图像在医学应用中难以收集。本文中，我们在完全无监督设定下处理图像质量增强问题，即既无配对图像也无高质量图像。为此，我们探索了自监督任务在无需高质量参考图像情况下提升眼底图像质量的潜力。具体而言，我们通过辅助预训练质量评估网络与风格聚类构建了多个块级域。为实现鲁棒的低质量图像增强并解决风格不一致，我们制定了两个自监督域适应任务，通过挖掘低质量图像内部的内在监督信号来解耦图像内容、低质量因子与风格信息的特征。在 EyeQ 与 Messidor 数据集上进行了大量实验，结果表明我们的 DASQE 方法在仅有低质量图像可用时取得了新的 SOTA 性能。
引用
@article{arxiv.2301.06943,
title = {Self-supervised Domain Adaptation for Breaking the Limits of Low-quality Fundus Image Quality Enhancement},
author = {Qingshan Hou and Peng Cao and Jiaqi Wang and Xiaoli Liu and Jinzhu Yang and Osmar R. Zaiane},
journal= {arXiv preprint arXiv:2301.06943},
year = {2025}
}