A Reference-Free Quality Enhancement Framework for Low-Quality Fundus Images
Notice bibliographique
Résumé
The progression of medical image analysis methodologies has significantly assisted fundus clinical decision-making, such as disease diagnosis and lesion segmentation. However, low-quality fundus images bring a series of challenges to the automatic screening of diseases and the segmentation of lesions. Most existing methods primarily concentrate on enhancing image quality by utilizing the supervision of paired fundus images, which are difficult to collect in real medical applications. High-quality reference images are essential for guiding quality enhancement. To this end, we propose an enhancement method for low-quality fundus images, called RF-IQE, to alleviate the requirement for paired training images and only requires low-quality fundus images. Specifically, we first construct the patch-level high-/low-quality domains by employing a rule-based quality assessment scheme. Then, to achieve the fundus image quality enhancement and unified illumination styles simultaneously, we formulate them as a patch quality domain adaptation and a multi-style domain adaptation, respectively. We qualitatively and quantitatively demonstrate that our reference-free image quality enhancement network outperforms the conventional methods and exhibits comparable performance than the deep learning-based image enhancement methods with paired images on both the EyeQ and Messidor datasets. Furthermore, we also investigate the influence of the RF-IQE method on various fundus imaging analysis tasks, including vessel segmentation, optic disc segmentation, lesion segmentation, and disease classification.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».