[论文解读] 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 7

一句话总结

本文提出 cofe-Net，一种面向临床的深度学习网络，通过建模不均匀光照、模糊和伪影等退化因素，校正低质量的视网膜眼底图像。该方法在保留关键解剖和病理特征的同时提升图像质量，显著改善了血管分割和视盘/杯体检测等下游任务的表现。

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.

研究动机与目标

• 解决由于操作者技能水平不一致导致的视网膜眼底图像质量参差不齐所带来的临床风险。
• 识别并建模在眼科眼底摄影中特有的主要退化因素——不均匀光照、图像模糊和伪影。
• 开发一种深度学习框架，以校正这些退化因素，同时保留对临床评估至关重要的解剖结构和病理特征。
• 证明该增强方法在提升下游医学图像分析任务（如视网膜血管分割和视盘/杯体检测）性能方面的有效性。

提出的方法

• 分析检眼镜成像系统，识别并模拟影响视网膜眼底图像质量的关键退化因素。
• 构建一个退化模型，将不均匀光照、模糊和伪影作为图像质量变化的主要来源。
• 设计 cofe-Net，一种深度神经网络，通过抑制全局退化因素来保留细微的视网膜结构和病理特征。
• 在合成和真实低质量眼底图像上联合训练网络，以确保其鲁棒性和临床相关性。
• 将增强网络集成到临床工作流程中，以支持诊断和分析任务。
• 通过真实临床图像数据的定量指标和定性评估验证该方法。

实验结果

研究问题

• RQ1 不均匀光照、模糊和伪影等主要退化因素如何影响视网膜眼底图像的诊断质量？
• RQ2 深度学习模型在不损害解剖或病理细节的前提下，能在多大程度上校正这些退化因素？
• RQ3 所提出的增强方法是否能提升下游临床图像分析任务（如视网膜血管分割和视盘/杯体检测）的性能？
• RQ4 与合成数据相比，该模型在真实世界低质量眼底图像上的表现如何？

主要发现

• 所提出的 cofe-Net 有效校正了低质量眼底图像，通过抑制不均匀光照和模糊等全局退化因素。
• 该方法保留了关键的视网膜结构和病理特征，在增强后仍保持诊断相关性。
• 在合成图像和真实图像上的实验表明，增强过程不会导致视网膜细节的丢失。
• 校正方法显著提升了下游任务的性能，包括视网膜血管分割和视盘/杯体检测。
• 该模型在真实世界临床图像上表现出良好的泛化能力，证明其在合成数据之外的实际应用价值。