22、基于深度学习的视网膜图像非均匀光照去除方法

基于深度学习的视网膜图像非均匀光照去除方法

1. 引言

视网膜图像在眼科疾病的早期诊断中具有重要作用，如青光眼、糖尿病视网膜病变、病理性近视等。然而，由于成像过程的不完善，视网膜图像常常存在非均匀或光照不足的问题。这种质量下降的视网膜图像会严重影响眼科医生的诊断，也会影响视网膜疾病计算机辅助分析的性能，如视网膜血管分割、视盘分割和血管结构识别等。传统的图像增强方法，如直方图均衡化（HE）、对比度受限的自适应直方图均衡化（CLAHE）、伽马校正、多尺度Retinex等，不能直接应用于视网膜图像。因此，设计针对视网膜图像的非均匀或光照不足恢复方法具有重要意义。

近年来，虽然已经提出了一些视网膜图像增强方法，但从传统方法到基于深度学习的方法，其性能都不尽如人意。本文提出的方法将深度网络的能力与图像物理形成模型相结合，研究视网膜图像非均匀光照问题，从而获得更合理、可靠的增强性能。

该方法的主要贡献如下：
- 首次将深度学习引入视网膜图像非均匀光照去除问题，在有效校正视网膜图像光照的同时，很好地保留了图像的细节和颜色。
- 提出了一种简单而有效的非局部编码器 - 解码器网络，用于逐步增强具有非均匀光照的退化视网膜图像。该网络可以有效地整合局部和非局部信息，这对于上下文建模非常重要。
- 提出了一种非均匀光照视网膜图像合成方法，为监督学习提供了配对的训练数据。
- 得益于新颖的网络架构和基于物理模型的非均匀光照合成方法，该方法在视网膜图像非均匀光照去除方面取得了令人印象深刻的性能，并且在视网膜图像血管分割方面也具有显著优势。

2. 相关工作

近年来，为了提高退化图像的质量，人们提出了许多方法。本文主要关注图像