A Conditional Generative Adversarial Network-Based Method for Eye Fundus Image Quality Enhancement
Capítulo - Parte de Libro
2020
Springer Verlag
Fundus of the eye - Diagnosis
Fondo del ojo - Diagnóstico
Diagnóstico por imagen
Diagnostic imaging
Image quality enhancement
Synthetic quality degradation
Eye fundus image
Conditional generative adversarial network
Mejora de la calidad de la imagen
Degradación sintética de la calidad
Imagen del fondo del ojo
Red adversarial generativa condicional
Fondo del ojo - Diagnóstico
Diagnóstico por imagen
Diagnostic imaging
Image quality enhancement
Synthetic quality degradation
Eye fundus image
Conditional generative adversarial network
Mejora de la calidad de la imagen
Degradación sintética de la calidad
Imagen del fondo del ojo
Red adversarial generativa condicional
Eye fundus image quality represents a significant factor involved in ophthalmic screening. Usually, eye fundus image quality is affected by artefacts, brightness, and contrast hindering ophthalmic diagnosis. This paper presents a conditional generative adversarial network-based method to enhance eye fundus image quality, which is trained using automatically generated synthetic bad-quality/good-quality image pairs. The method was evaluated in a public eye fundus dataset with three classes: good, usable and bad quality according to specialist annotations with 0.64 Kappa. The proposed method enhanced the image quality from usable to good class in 72.33% of images. Likewise, the image quality was improved from the bad category to usable class, and from bad to good class in 56.21% and 29.49% respectively. La calidad de la imagen del fondo del ojo representa un factor importante en el cribado oftálmico. Normalmente, la calidad de la imagen del fondo del ojo se ve afectada por artefactos, brillo y contraste, lo que dificulta el diagnóstico oftalmológico. Este artículo presenta un método basado en una red generativa condicional para mejorar la calidad de la imagen del fondo del ojo, que se entrena utilizando pares de imágenes sintéticas de mala calidad y buena calidad generadas automáticamente. El método fue evaluado en un conjunto de datos de fondo de ojo público con tres clases: buena, utilizable y mala calidad según las anotaciones de los especialistas con 0,64 Kappa. El método propuesto mejoró la calidad de la imagen de la clase utilizable a la buena en el 72,33% de las imágenes. Asimismo, la calidad de la imagen mejoró de la categoría mala a la clase utilizable, y de la mala a la buena en el 56,21% y el 29,49% respectivamente.
Lecture Notes in Computer Science
- AA. Gibiome [38]
Descripción:
Capítulo - Parte de Libro
Título: A Conditional Generative Adversarial Network-Based Method for Eye Fundus Image Quality Enhancement.pdf
Tamaño: 5.174Mb
PDF
Título: A Conditional Generative Adversarial Network-Based Method for Eye Fundus Image Quality Enhancement.pdf
Tamaño: 5.174Mb