QuickQual：基于现成预训练模型的轻量便捷视网膜图像质量评分方法
计算机视觉与模式识别
2023-07-26 v1 人工智能
定量方法
摘要
图像质量仍是传统方法和基于深度学习（DL）的视网膜图像分析方法的关键问题，但识别低质量图像可能耗时且主观。因此，需要自动化的视网膜图像质量评分（RIQS）方法。当前最先进的方法是MCFNet，其由三个Densenet121骨干网络组成，每个在不同色彩空间中运行。MCFNet及其作者发布的EyeQ数据集是RIQS领域的重大进展。我们提出QuickQual，一种简单的RIQS方法，由一个现成的ImageNet预训练Densenet121骨干网络加一个支持向量机（SVM）构成。QuickQual表现优异，在EyeQ上刷新了最先进水平（准确率：88.50% 对比 MCFNet的88.00%；AUC：0.9687 对比 0.9588）。这表明RIQS可利用在自然图像上学习的通用感知特征来解决，而无需在大量眼底图像上训练的DL模型。此外，我们提出一种固定先验线性化方案，将EyeQ从三分类转换为连续逻辑回归任务。针对该任务，我们提出第二个模型QuickQual MEga Minified Estimator（QuickQual-MEME），其在现成Densenet121之上仅含10个参数，能以89.18%的准确率（AUC：0.9537）区分可分级与不可分级图像。代码与模型已发布于GitHub：https://github.com/justinengelmann/QuickQual。QuickQual极其轻量，其完整推理代码（甚至QuickQual-MEME的参数）已包含于本文中。
引用
@article{arxiv.2307.13646,
title = {QuickQual: Lightweight, convenient retinal image quality scoring with off-the-shelf pretrained models},
author = {Justin Engelmann and Amos Storkey and Miguel O. Bernabeu},
journal= {arXiv preprint arXiv:2307.13646},
year = {2023}
}