Illumination correction by dehazing for retinal vessel segmentation

总结：

采用去雾的方法来矫正由于图像采集设备造成的照明不均匀问题，并在视网膜血管分割任务中进行验证。

摘要

视网膜血管的评估是诊断许多疾病如心脏病，糖尿病和高血压的基础。使用先进的眼底照相机对视网膜进行成像已成为计算机辅助诊断眼科疾病的标准。现代相机产生高质量的彩色数字图像，但在采集过程中，由视网膜表面反射的光产生发光度和对比度变化。不规则照明会在所得图像中引入严重的扭曲，降低解剖结构的可见性，从而降低这些结构的自动分割的性能。
本文提出了一种新的彩色眼底图像光照校正方法，并将其作为视网膜血管分割的预处理步骤。我们的方法建立在两种不同现象（shadow和haze）之间的联系上，并通过去除反转强度域中图像的雾度来工作。这被证明等同于校正原始强度域中的非均匀照明。我们测试了所提出的方法作为两种血管分割方法的预处理阶段，一种是基于数学形态学的无监督，一种是基于深度学习卷积神经网络（CNN）的监督。在公共可用的视网膜图像数据库DRIVE上进行实验。当应用光照校正时，在两个测试案例中实现了统计学上显着更好的血管分割性能。

导言

背景和应用：

视网膜摄影需要使用眼底摄像机，这是一种专门的低功率显微镜，附带的摄像头能够同时照亮和成像视网膜。它被设计成对眼睛的内部表面进行成像，包括视网膜，视盘，黄斑和后极[1]。视网膜眼底图像广泛用于心血管和眼科疾病的诊断，筛查和治疗[2]，包括年龄相关性黄斑变性和糖尿病视网膜病变，被认为是工业化国家失明的两个主要原因[3]。还已知这些疾病影响视网膜中血管的外观。可以从血管树中提取诸如长度，宽度和分支角度的形态学属性，以检测这些疾病的存在和严重性[4]。然而，手动分割视网膜血管是一项漫长而乏味的任务，需要广泛的训练和技能。在用于大规模筛查眼科疾病的计算机辅助诊断系统中，非常需要视网膜血管的自动分割[5]。近年来见证了视网膜血管分割方法的快速发展，广泛综述[6]证明了这一点。监督方法使用标记数据来训练区分血管和非血管像素的分类器。例如，K-Nearest Neighbors [7]，支持向量机[8]，AdaBoost [9]和深度学习卷积神经网络（CNN）[10]。无监督方法使用滤波器响应[11]，数学形态学[12]或其他基于模型的技术[13]。

存在的问题

在所有这些方法面临的问题中，由图像采集导致的图像照明不均匀。当获取图像时，入射光通过瞳孔照射，并且眼睛的球面几何形状产生显着的互反射和阴影伪像[14]。对于获得视网膜血管分割的高质量结果，非常需要校正这些照射不均匀性。

现有的方法

多年来已经提出了几种技术来改善视网膜眼底图像中的不均匀照明和对比度水平。例如，使用基于B样条的模型[15]或拉普拉斯插值[16]估计照度分布的方法，以及使用滤波方法[17]或梯度分布分析[18]在频域中工作的方法。有兴趣的读者可以参考Rasta等人。 [19]最近对这一领域进行了更全面的审查。

提出的方法

在这项工作中，我们提出了一种新方法，它建立在阴影和雾霾之间的联系之上，这是一种明显不相关的现象，会导致大气吸收和散射造成的图像质量下降。我们表明，在反转强度域中从图像中去除雾度等同于校正原始强度域中的不均匀照射。我们实施并测试了两种不同的血管分割方法，以验证所提方法作为预处理阶段的有效性。第一种是基于一系列去噪和形态滤波器的无监督方法，而第二种是基于定制深度学习卷积神经网络（CNN）的监督方法。

采用去雾方法的照明矫正

简单地说就是将照明矫正和去雾原理类比进行照明矫正；

雾和阴影的共同特征：两者都是低频，缓慢变化的现象，
不同的是：雾图像的大气光值A接近于1，而阴影接近于0；

数据集和参数设计

DRIVE(Digital Retinal Images for Vessel Evaluation): 视网膜图像血管分割数据集；

视网膜血管分割

A：非监督

step 1：从RGB通道提取绿色通道；
step 2：非局部均值去噪：保持血管强度分布特征的同时降低了噪声。；
step 3：通过灰度数学形态学增强血管图像

B：监督学习

介绍了训练网络、参数、使用的框架以及设备参数。

结果

测试数据集：DRIVE的20个测试图像；

测试参考指标：ROC 、 AUC

讨论

本文贡献：

在本研究中，我们建立了视网膜彩色眼底图像中光照校正问题与露天图像中明显不相关的雾霾去除问题之间的新联系。我们将一种流行的去雾方法，即暗通道先验方法应用于反向强度域中的图像。这导致原始图像的照明校正，这增强了血管分割的性能。我们使用两种不同的分割方法展示了这一点，一种是有监督的，另一种是无监督的，对两种方法都有类似的改进。

未来计划：

结合DRIVE和DRIIL数据集来生成一个新的适合于vessel分割和照明矫正的数据集；未来的方向还包括试验其他现有的去雾方法来解决这项工作中提出的光照校正模型，并结合广泛选择的血管分割算法和方法来测试这些方法，以解决类之间的不对称问题[32]，[33]]。如果成功，这将导致一系列简单有效的替代照明校正方法。