用于白内障眼底图像增强的结构一致复原网络
图像与视频处理
2022-06-13 v1 计算机视觉与模式识别
摘要
眼底照相是临床中诊断和监测眼病的常规检查。然而，对于白内障患者，眼底图像常因晶状体混浊而质量退化。该退化阻碍了眼科医生或计算机辅助系统的可靠诊断。为提升临床诊断的确定性，已有复原算法被提出以增强眼底图像质量。遗憾的是，这些算法的部署仍面临挑战，如收集充足训练数据及保持视网膜结构。本文为规避严格的部署要求，基于共享相同结构的合成数据，开发了用于白内障眼底图像的结构一致复原网络（SCR-Net）。首先设计白内障模拟模型，收集由结构相同的白内障眼底图像构成的合成白内障集（SCS）。随后从 SCS 中提取高频分量（HFCs）以约束结构一致性，从而强制 SCR-Net 中的结构保持。实验证明了 SCR-Net 相较于最先进方法的优越性及后续临床应用的有效性。代码见 https://github.com/liamheng/ArcNet-Medical-Image-Enhancement。
引用
@article{arxiv.2206.04684,
title = {Structure-consistent Restoration Network for Cataract Fundus Image Enhancement},
author = {Heng Li and Haofeng Liu and Huazhu Fu and Hai Shu and Yitian Zhao and Xiaoling Luo and Yan Hu and Jiang Liu},
journal= {arXiv preprint arXiv:2206.04684},
year = {2022}
}