[論文レビュー] Understanding and Correcting Low-quality Retinal Fundus Images for Clinical Analysis.

Ziyi Shen, Huazhu Fu+2 more|arXiv (Cornell University)|May 12, 2020

Retinal Imaging and Analysis参考文献 36被引用数 7

ひとこと要約

本論文では、不均一な照明、ぼやけ、アーティファクトなどの劣化要因をモデル化することで、低品質な網膜後極部画像を補正する臨床指向のディーブラーニングネットワークcofe-Netを提案する。この手法は、画像品質を向上させつつ、重要な解剖学的および病理的特徴を保持し、血管分離や視神経乳頭／杯の検出といった下流タスクの性能を顕著に向上させる。

ABSTRACT

Retinal fundus images are widely used for the clinical screening and diagnosis of eye diseases. However, fundus images captured by operators with various levels of experience have a large variation in quality. Low-quality fundus images increase uncertainty in clinical observation and lead to the risk of misdiagnosis. However, due to the special optical beam of fundus imaging and structure of the retina, natural image enhancement methods cannot be utilized directly to address this. In this paper, we first analyze the ophthalmoscope imaging system and simulate a reliable degradation of major inferior-quality factors, including uneven illumination, image blurring, and artifacts. Then, based on the degradation model, a clinically oriented fundus enhancement network (cofe-Net) is proposed to suppress global degradation factors, while simultaneously preserving anatomical retinal structures and pathological characteristics for clinical observation and analysis. Experiments on both synthetic and real images demonstrate that our algorithm effectively corrects low-quality fundus images without losing retinal details. Moreover, we also show that the fundus correction method can benefit medical image analysis applications, e.g., retinal vessel segmentation and optic disc/cup detection.

研究の動機と目的

• 異なるオペレーターのスキルレベルによる一貫性の欠如に起因する低品質な網膜後極部画像が引き起こす臨床的リスクに対処する。
• 眼科的画像撮影に特有の主な劣化要因である不均一な照明、画像のぼやけ、アーティファクトを特定し、モデル化する。
• 臨床的評価に不可欠な解剖学的構造および病理的特徴を保持しながら、これらの劣化要因を補正するディーブラーニングフレームワークを開発する。
• 網膜血管分離や視神経乳頭／杯の検出といった下流医療画像解析タスクにおける性能向上を実証する。

提案手法

• 眼科的内視鏡画像システムを分析し、網膜後極部画像品質に影響を与える主要な劣化要因を特定・シミュレートする。
• 不均一な照明、ぼやけ、アーティファクトを画像品質のばらつきの主な要因として捉える劣化モデルを構築する。
• グローバルな劣化要因を抑制しながら、微細な網膜構造および病理的特徴を保持するように設計されたcofe-Netという深層ニューラルネットワークを考案する。
• 合成および実際の低品質な後極部画像の両方を用いてネットワークを訓練し、耐障害性と臨床的妥当性を確保する。
• 診断および解析タスクを支援するため、臨床ワークフローに強化ネットワークを統合する。
• 実臨床画像データを用いた定量的指標と定性的評価を用いて、手法の妥当性を検証する。

実験結果

リサーチクエスチョン

• RQ1 不均一な照明、ぼやけ、アーティファクトといった主な劣化要因が、網膜後極部画像の診断的品質にどのように影響を与えるか？
• RQ2 深層学習モデルが、解剖学的または病理的特徴を損なうことなく、これらの劣化要因をどの程度補正できるか？
• RQ3 提案された強化手法が、網膜血管分離や視神経乳頭／杯の検出といった下流臨床画像解析タスクの性能を向上させることができるか？
• RQ4 合成データと比較して、実世界の低品質な後極部画像において、モデルの性能はいかがようであるか？

主な発見

• 提案されたcofe-Netは、不均一な照明やぼやけといったグローバルな劣化要因を効果的に抑制することで、低品質な後極部画像を補正する。
• 補正後も、重要な網膜構造および病理的特徴が保持され、診断的関連性を維持する。
• 合成画像および実画像を用いた実験から、強化プロセスが網膜細部の損失を引き起こさないことが示された。
• 補正手法は、網膜血管分離や視神経乳頭／杯の検出といった下流タスクの性能を向上させる。
• モデルは実臨床画像に対しても良好な汎化性能を示し、合成データを超えた実用的価値を有することが実証された。