《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
1、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,然而由于视网膜图像的亮度差、对比度低、模糊性差,使得不同疾病的鉴别困难,也降低了医生的诊断准确率。
2、质量差的图像会导致自动图像处理(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。
3、有许多研究者试提出许多方法来增强低质量的视网膜图像。大多数方法都是利用normalization技术来提高视网膜图像的亮度和对比度,而对去模糊性的研究很少。
Contributions
- 该方法是第一个端到端的深层生成模型,以增强模糊的视网膜图像。
- 该模型可以通过弱监督的方式(不需要成对的模糊/高质量图像)来学习,该方法非常适合于医学图像中有限成对数据的情况。
- 提出的动态feature descriptor提供了特征约束,可以帮助模型产生更可靠的增强,其中包含核心信息和更少的伪像
- 增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,,
代表的是模糊的数据,
代表的是高质量的数据。
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,这种机制形成信息反馈,并使用弱监督的方式训练模型,其中设计了feature descriptor作为感知约束。两个G和两个D都是同样的结构。
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,提取增强的图和模糊的图,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:
整个曾强的过程如下,discriminator如下
,当X是真实的高质量的
时候,d趋向于1;当X是增强的
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,作为最终的FCC
Identity Loss
其它参数设定:ωadv = 1, ωCfea = 10, ωidt = 10
剩下内容:略
《Data-Driven Enhancement of Blurry Retinal Images via GANs》--阅读笔记-MICCAI2019相关推荐
- End-to-End Learning From Spectrum Data: A DL Approach for Wireless Signal Identification(阅读笔记)
<<频谱数据的端到端学习:频谱监测应用中无线信号识别的深度学习方法>> Abstract 这篇论文介绍了端到端学习频谱数据--基于深神经网络的频谱监测应用中的新复杂无线信号识别 ...
- Low-Light Image Enhancement via Self-Reinforced Retinex Projection Model 论文阅读笔记
这是马龙博士2022年在TMM期刊发表的基于改进的retinex方法去做暗图增强(非深度学习)的一篇论文 文章用一张图展示了其动机,第一行是估计的亮度层,第二列是通常的retinex方法会对估计的亮度 ...
- 大三小学期进阶课程第二十一课:reinforcement learning and data driven approaches
第21课.reinforcement learning and data driven approaches 解决规划问题,不能一上来就开始data driven,而是一步步来从rule based这 ...
- Data Structures with C++ Using STL Chapter 3算法概述---笔记
<Data Structures with C++ Using STL Chapter 3算法概述---笔记>,作者:茉莉花茶,原文链接:http://www.cnblogs.com/yc ...
- Are VQA Systems RAD? Measuring Robustness to Augmented Data with Focused Interventions 论文阅读笔记
Are VQA Systems RAD? Measuring Robustness to Augmented Data with Focused Interventions 论文阅读笔记 一.Abst ...
- 点云配准论文阅读笔记--Comparing ICP variants on real-world data sets
目录 写在前面 点云配准系列 摘要 1引言(Introduction) 2 相关研究(Related work) 3方法( Method) 3.1输入数据的敏感性 3.2评价指标 3.3协议 4 模块 ...
- 阅读笔记(Communication-Efficient Learning of Deep Networks from Decentralized Data)
阅读笔记(Communication-Efficient Learning of Deep Networks from Decentralized Data) 动机 联邦平均 实验结果 MINIST优 ...
- 论文阅读笔记(15):Deep Subspace Clustering with Data Augmentation,深度子空间聚类+数据增强
论文阅读笔记(15):Deep Subspace Clustering with Data Augmentation,深度子空间聚类+数据增强 摘要 1 介绍 2 相关工作 带增强的聚类方法 具有一致 ...
- Learning from Synthetic Data for Crowd Counting in the Wild 论文阅读笔记
Learning from Synthetic Data for Crowd Counting in the Wild 论文阅读笔记 发表:CVPR 2019 人群计数任务在多变的环境,大范围的人群中 ...
最新文章
- 2018微信年度数据报告:00后最爱表情捂脸哭 80后呲牙笑
- 速学c++(1)-c++简介
- ant design vue table 高度自适应_2年Vue项目实战经验汇总!
- CodeForces - 1213E Two Small Strings(暴力+构造)
- 太快了,太变态了:什么会影响Java中的方法调用性能?
- python非法变量名_数据库错误:ORA-01036:非法变量名/numb
- 嵌入式电路设计(工具准备)
- java中math的方法_Java Math所有方法
- linux查找某个命令属于哪个rpm包
- pass the URL parameters from the webseite page to Flash
- 分模块开发创建service子模块——(八)
- reuntion 题解
- c++ 制作走迷宫游戏
- 2022年江西二级建造师矿业工程施工技术综合测试题及答案
- ElasticSearch:为中文分词器增加对英文的支持(让中文分词器可以处理中英文混合文档)(转)
- weblogic与oracle断开,菜鸟经验:oracle与weblogic自动启动与停止
- python数据处理7: matplotlib绘图保存图片深入
- 轻松bypass360网站卫士WAFSQL注入防护
- 如何使用 Python 开始游戏开发
- HUAWEI(21)——华为网络基础+telnet
热门文章
- Azure Blob Storage 基本用法上传/下载(Java)
- Element学习使用
- ASP.NET Core: 全新的ASP.NET !
- 素数(质数),合数 ,偶数 , 奇数 ,约数(因数) ,因子 , 质因子 , 哥德巴赫猜想定义
- QT 扁平化界面风格,自定义TabWidget控件
- 软件集合贴:学软件测试必备软件,看这里足足够了
- 小白如何选择采集器-爬虫
- 有什么办法可以预防网页被劫持
- 用webgl绘制一个彩色旋转立方体
- 图片补全《Globally and locally consistent image completion》