不同颜色空间中视网膜图像质量评估网络的评测
计算机视觉与模式识别
2020-01-10 v4
摘要
视网膜图像质量评估（RIQA）对于控制视网膜成像质量、保障眼科医生或自动分析系统诊断的可靠性至关重要。现有 RIQA 方法聚焦于 RGB 颜色空间，并基于带有二值质量标签（即“接受”与“拒绝”）的小数据集开发。本文中，我们首先基于三级质量分级系统（即“好”、“可用”与“拒绝”）重新标注了来自 EyePACS 数据集的 28,792 张视网膜图像，构成 Eye-Quality（EyeQ）数据集，用于评测 RIQA 方法。我们的 RIQA 数据集具有大规模、多级分级和多模态的特点。随后，我们分析了不同颜色空间对 RIQA 的影响，并提出了一个简洁而高效深度网络，名为多颜色空间融合网络（MCF-Net），其在特征级与预测级整合不同颜色空间表示以预测图像质量等级。在我们的 EyeQ 数据集上的实验表明，我们的 MCF-Net 取得了 SOTA 性能，优于其他深度学习方法。此外，我们还评测了不同质量图像上的糖尿病视网膜病变（DR）检测方法，并证明自动诊断系统的性能高度依赖于图像质量。
引用
@article{arxiv.1907.05345,
title = {Evaluation of Retinal Image Quality Assessment Networks in Different Color-spaces},
author = {Huazhu Fu and Boyang Wang and Jianbing Shen and Shanshan Cui and Yanwu Xu and Jiang Liu and Ling Shao},
journal= {arXiv preprint arXiv:1907.05345},
year = {2020}
}
备注
Accepted by MICCAI 2019. Corrected two typos in Table 1 as: (1) in training set, the number of "Usable + All" should be '1,876'; (2) In testing set, the number of "Total + DR-0" should be '11,362'. Project page: https://github.com/hzfu/EyeQ