通过跨域训练实现皮肤皮肤图像质量评估的提升

远程皮肤科学（teledermatology）已成为日常临床实践中广受接受的沟通方法，使远程护理得以实现且与现场就诊表现出强烈一致性。图像质量仍是远程皮肤科学中未解之难题，亦是医师们的重大关切，因为质量较差的图像会降低远程咨询过程的实用性。然而，皮肤科图像质量评估（IQA）的研究稀少，且未充分利用诸如使用更大图像数据库和来自大量人类观察者评级的数据等非皮肤科 IQA的最新进展。本文提出跨域训练 IQA 模型，将皮肤科和非皮肤科 IQA 数据集结合起来。为此，我们创建了一个新型皮肤科 IQA 数据库 Legit.Health-DIQA-Artificial，使用来自多个来源的皮肤科图像，并由一组人类观察者进行标注。我们展示了跨域训练可在不同域之间实现最佳性能，克服了皮肤科 IQA 数据规模小的主要局限之一，结果模型在更大的图像失真池中进行训练，从而更好地管理远程皮肤科过程中的图像质量。