《Data-Driven Enhancement of Blurry Retinal Images via GANs》--閱讀筆記-MICCAI2019

Authors：

He Zhao, Bingyu Yang, Lvchen Cao, and Huiqi Li

Motivation

一、視網膜數據大量被用於早期的病理性檢測，如青光眼視網膜併發症，高血壓併發症等，然而因爲視網膜圖像的亮度差、對比度低、模糊性差，使得不一樣疾病的鑑別困難，也下降了醫生的診斷準確率。

二、質量差的圖像會致使自動圖像處理（如分割、跟蹤）的結果不滿意，這可能會進一步影響疾病的分析。

三、有許多研究者試提出許多方法來加強低質量的視網膜圖像。大多數方法都是利用normalization技術來提升視網膜圖像的亮度和對比度，而對去模糊性的研究不多。

Contributions

1. 該方法是第一個端到端的深層生成模型，以加強模糊的視網膜圖像。
2. 該模型能夠經過弱監督的方式（不須要成對的模糊/高質量圖像）來學習，該方法很是適合於醫學圖像中有限成對數據的狀況。
3. 提出的動態feature descriptor提供了特徵約束，能夠幫助模型產生更可靠的加強，其中包含核心信息和更少的僞像
4. 加強的圖像有助於改善自動處理的性能，例如血管分割和跟蹤。

Net Structure

訓練集，，表明的是模糊的數據，表明的是高質量的數據。

文章用了兩個生成器，（論文中寫錯了。應該是Gb:->）Ge用於enhance，Gb用於blurry,這種機制造成信息反饋，並使用弱監督的方式訓練模型，其中設計了feature descriptor做爲感知約束。兩個G和兩個D都是一樣的結構。

De用於區分Ge生成的與真實的，Db用於區分模糊原始圖像與Gb生成的；De和Db用於特徵提取，提取加強的圖和模糊的圖，這部分的D隨着網絡的訓練，提取能力越來甌越強

結構爲：

3個卷積和3個反捲積，中間連結處爲殘差bottleneck塊（9個殘差block）。D包含了5個卷積，本質上是patchgan

Loss Function：

整個曾強的過程以下，discriminator以下，當X是真實的高質量的時候，d趨向於1；當X是加強的的時候，d趨向於0.

總的約束函數爲，

Feature Consistent Constraint

,用前述的D的其中一層提取特徵，做爲最終的FCC 

Identity Loss

其它參數設定：ωadv = 1, ωCfea = 10, ωidt = 10

 

剩下內容：略