眼底照片的诊断质量评估：具有临床意义解释的分层深度学习
图像与视频处理
2023-02-21 v1
摘要
眼底摄影（FP）仍然是筛查包括年龄相关性黄斑变性、糖尿病视网膜病变和青光眼在内的多种视网膜疾病的主要成像方式。FP 允许临床医生检查眼底结构，如黄斑、视盘（OD）和视网膜血管，这些结构在 FP 图像中的可见性和清晰度对于确保诊断准确性至关重要，因此决定了诊断质量（DQ）。由于眼球运动、不当照明和其他可能原因导致的低 DQ 图像显然应重新拍摄。然而，通常不熟悉 DQ 标准的技术人员仅根据专家反馈启动重新拍摄。该过程可能对单个受试者多次使用成像设备，并浪费眼科医生、技术人员和受试者的时间和精力。在远程眼科情况下，这种负担可能是难以承受的，因为从远程专家那里获得反馈会带来额外的通信成本和延迟。因此，人们强烈需要自动化的诊断质量评估（DQA），即立即为图像分配一个 DQ 类别。为此，受 DQ 概念连续体的启发，我们提出了一种分层深度学习（DL）架构来区分良好、可用和不可用类别。在公开的 EyeQ 数据集上，我们实现了 89.44% 的准确率，优于现有方法。此外，使用基于梯度的类激活图（Grad-CAM），我们生成了与专家直觉一致的视觉解释。配备所提出的 DQA 算法的未来 FP 相机将有可能提高远程眼科以及传统系统的效率。
引用
@article{arxiv.2302.09391,
title = {Diagnostic Quality Assessment of Fundus Photographs: Hierarchical Deep Learning with Clinically Significant Explanations},
author = {Shanmukh Reddy Manne and Jose-Alain Sahel and Jay Chhablani and Kiran Kumar Vupparaboinab and Soumya Jana},
journal= {arXiv preprint arXiv:2302.09391},
year = {2023}
}