远程皮肤摄影中可解释的图像质量评估
计算机视觉与模式识别
2023-01-24 v2 机器学习
摘要
图像质量是远程皮肤科会诊效果与效率的关键因素。然而,患者发送的图像中多达 50% 存在质量问题,从而延长了诊断和治疗的时间。一种自动化、易部署且可解释的图像质量评估方法对于改进当前的远程皮肤科会诊流程十分必要。我们提出 ImageQX,一种用于图像质量评估的卷积神经网络,其带有一种学习机制,可识别最常见的低图像质量原因:取景不当、光照不佳、模糊、低分辨率和距离问题。ImageQX 在 26,635 张照片上训练,在 9,874 张照片上验证,每张照片均由最多 12 名获委员会认证的皮肤科医生标注了图像质量标签和低图像质量原因。这些照片拍摄于 2017 至 2019 年间,使用一款全球可访问的移动皮肤疾病追踪应用。我们的方法在图像质量评估和低图像质量原因识别上均达到专家级表现。在图像质量评估方面,ImageQX 取得宏 F1 分数 0.73 ± 0.01,处于成对评分者间 F1 分数 0.77 ± 0.07 的标准差范围内。在低图像质量原因识别方面,我们的方法取得 F1 分数介于 0.37 ± 0.01 与 0.70 ± 0.01 之间,类似于评分者间成对 F1 分数介于 0.24 ± 0.15 与 0.83 ± 0.06 之间。此外,ImageQX 大小仅 15 MB,可轻松部署于移动设备。由于图像质量检测性能与皮肤科医生相近,将 ImageQX 纳入远程皮肤科流程可实现更好、更快的远程会诊流程。
引用
@article{arxiv.2209.04699,
title = {Explainable Image Quality Assessments in Teledermatological Photography},
author = {Raluca Jalaboi and Ole Winther and Alfiia Galimzianova},
journal= {arXiv preprint arXiv:2209.04699},
year = {2023}
}
备注
Accepted at the Telemedicine and eHealth Journal