《Data-Driven Enhancement of Blurry Retinal Images via GANs》--阅读笔记-MICCAI2019

Authors：

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

Motivation

一、视网膜数据大量被用于早期的病理性检测，如青光眼视网膜并发症，高血压并发症等，然而因为视网膜图像的亮度差、对比度低、模糊性差，使得不一样疾病的鉴别困难，也下降了医生的诊断准确率。

二、质量差的图像会致使自动图像处理（如分割、跟踪）的结果不满意，这可能会进一步影响疾病的分析。

三、有许多研究者试提出许多方法来加强低质量的视网膜图像。大多数方法都是利用normalization技术来提升视网膜图像的亮度和对比度，而对去模糊性的研究不多。

Contributions

1. 该方法是第一个端到端的深层生成模型，以加强模糊的视网膜图像。
2. 该模型能够经过弱监督的方式（不须要成对的模糊/高质量图像）来学习，该方法很是适合于医学图像中有限成对数据的状况。
3. 提出的动态feature descriptor提供了特征约束，能够帮助模型产生更可靠的加强，其中包含核心信息和更少的伪像
4. 加强的图像有助于改善自动处理的性能，例如血管分割和跟踪。

Net Structure

训练集，，表明的是模糊的数据，表明的是高质量的数据。

文章用了两个生成器，（论文中写错了。应该是Gb:->）Ge用于enhance，Gb用于blurry,这种机制造成信息反馈，并使用弱监督的方式训练模型，其中设计了feature descriptor做为感知约束。两个G和两个D都是一样的结构。

De用于区分Ge生成的与真实的，Db用于区分模糊原始图像与Gb生成的；De和Db用于特征提取，提取加强的图和模糊的图，这部分的D随着网络的训练，提取能力越来瓯越强

结构为：

3个卷积和3个反卷积，中间连结处为残差bottleneck块（9个残差block）。D包含了5个卷积，本质上是patchgan

Loss Function：

整个曾强的过程以下，discriminator以下，当X是真实的高质量的时候，d趋向于1；当X是加强的的时候，d趋向于0.

总的约束函数为，

Feature Consistent Constraint

,用前述的D的其中一层提取特征，做为最终的FCC 

Identity Loss

其它参数设定：ωadv = 1, ωCfea = 10, ωidt = 10

 

剩下内容：略