[논문 리뷰] Understanding and Correcting Low-quality Retinal Fundus Images for Clinical Analysis.

Ziyi Shen, Huazhu Fu외 2명|arXiv (Cornell University)|2020. 05. 12.

Retinal Imaging and Analysis참고 문헌 36인용 수 7

한 줄 요약

이 논문은 균일하지 않은 조도, 흐림, 잡음과 같은 열악한 조건을 모델링함으로써 저품질 망막 망막도를 보정하는 임상 중심의 딥러닝 네트워크인 cofe-Net을 제안한다. 이 방법은 중요한 해부학적 및 병리학적 특징을 유지하면서 영상 품질을 향상시켜, 혈관 분할 및 시신경총/시신경우의 탐지와 같은 후속 작업의 성능을 크게 향상시킨다.

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.

연구 동기 및 목표

• 다양한 운영자 기술 수준으로 인한 일관성 없는 영상 품질로 인한 임상적 위험을 해결하기 위해.
• 안과 내시경 영상에 특화된 주요 열화 요인인 균일하지 않은 조도, 영상 흐림, 잡음을 식별하고 모델링하기 위해.
• 해부학적 구조와 임상 평가에 필수적인 병리학적 특징을 유지하면서 이러한 열화 요인을 보정하는 딥러닝 프레임워크를 개발하기 위해.
• 망막 혈관 분할 및 시신경총/시신경우 탐지와 같은 후속 의료 영상 분석 작업에서의 성능 향상 효과를 입증하기 위해.

제안 방법

• 안과 내시경 영상 시스템을 분석하여 망막 망막도 품질에 영향을 주는 주요 열화 요인을 식별하고 시뮬레이션하기 위해.
• 균일하지 않은 조도, 흐림, 잡음을 영상 품질 변동의 주요 원인으로 포괄하는 열화 모델을 구축하기 위해.
• 전반적인 열화 요인을 억제하면서 미세한 망막 구조와 병리학적 특징을 유지하는 cofe-Net이라는 딥 신경망을 설계하기 위해.
• 정합성과 임상적 관련성을 확보하기 위해 합성 및 실제 저품질 망막도 영상으로 네트워크를 훈련시키기 위해.
• 진단 및 분석 작업을 지원하기 위해 보정 네트워크를 임상 워크플로우에 통합하기 위해.
• 실제 임상 영상 데이터를 대상으로 정량적 지표와 정성적 평가를 통해 방법을 검증하기 위해.

실험 결과

연구 질문

• RQ1 균일하지 않은 조도, 흐림, 잡음과 같은 주요 열화 요인이 망막 망막도의 진단 품질에 어떤 영향을 미치는가?
• RQ2 딥러닝 모델이 해부학적 또는 병리학적 세부 정보를 손상시키지 않도록 이러한 열화 요인을 얼마나 잘 보정할 수 있는가?
• RQ3 제안된 보정 방법이 망막 혈관 분할 및 시신경총/시신경우 탐지와 같은 후속 임상 영상 분석 작업의 성능을 향상시킬 수 있는가?
• RQ4 합성 데이터에 비해 모델이 실제 저품질 망막도 영상에서 어떻게 성능을 발휘하는가?

주요 결과

• 제안된 cofe-Net은 균일하지 않은 조도와 흐림과 같은 전반적인 열화 요인을 효과적으로 억제함으로써 저품질 망막도를 보정한다.
• 보정 후에도 중요한 망막 구조와 병리학적 특징을 유지하여 진단의 관련성을 유지한다.
• 합성 영상과 실제 영상에서의 실험 결과, 보정 과정에서 망막 세부 구조의 손실가 발생하지 않음을 확인했다.
• 보정 방법은 망막 혈관 분할 및 시신경총/시신경우 탐지와 같은 후속 작업의 성능을 향상시킨다.
• 모델는 합성 데이터를 초월하여 실제 임상 영상에 잘 일반화되어 실용적인 유용성을 입증했다.