FundusQ-Net：一种用于眼底图像质量分级的回归质量评估深度学习算法
图像与视频处理
2023-06-08 v3 计算机视觉与模式识别
摘要
目的：青光眼、糖尿病视网膜病变和年龄相关性黄斑变性等眼科疾病是致盲和视力损害的主要原因。需要新颖的决策支持工具来简化和加速这些疾病的诊断。该过程的关键步骤是自动估计眼底图像的质量，以确保人类操作员或机器学习模型可解释这些图像。我们提出了一种新颖的眼底图像质量量表和深度学习（DL）模型，可相对于该新量表估计眼底图像质量。方法：由两名眼科医生对共计 1,245 张图像在 1-10 范围内以 0.5 的分辨率进行质量分级。训练了一个 DL 回归模型用于眼底图像质量评估。使用的架构为 Inception-V3。该模型使用来自 6 个数据库的共计 89,947 张图像开发，其中 1,245 张由专家标注，其余 88,702 张图像用于预训练和半监督学习。最终的 DL 模型在内部测试集（n=209）以及外部测试集（n=194）上进行评估。结果：最终的 DL 模型称为 FundusQ-Net，在内部测试集上取得了 0.61（0.54-0.68）的平均绝对误差。当在公共 DRIMDB 数据库上作为外部测试集以二分类模型评估时，该模型获得了 99% 的准确率。意义：所提出的算法为眼底图像的自动质量分级提供了一种新的鲁棒工具。
引用
@article{arxiv.2205.01676,
title = {FundusQ-Net: a Regression Quality Assessment Deep Learning Algorithm for Fundus Images Quality Grading},
author = {Or Abramovich and Hadas Pizem and Jan Van Eijgen and Ilan Oren and Joshua Melamed and Ingeborg Stalmans and Eytan Z. Blumenthal and Joachim A. Behar},
journal= {arXiv preprint arXiv:2205.01676},
year = {2023}
}
备注
12 pages, 9 figures, published in Computer Methods and Programs in Biomedicine