UNO-QA：一种用于 OCTA 图像质量评估的带测试时聚类的无监督异常感知框架
计算机视觉与模式识别
2023-02-22 v2 图像与视频处理
摘要
医学图像质量评估（MIQA）是各种医学图像分析应用的重要前提。大多数现有的 MIQA 算法是完全监督的，需要大量标注数据。然而，标注医学图像耗时且费力。在本文中，我们提出了一种带测试时聚类的无监督异常感知框架，用于光学相干断层扫描血管造影（OCTA）图像质量评估，其设定为训练阶段仅可获取一组高质量样本。具体而言，提出了一种基于特征嵌入的低质量表示模块来量化 OCTA 图像的质量，进而区分卓越质量与非卓越质量。在非卓越质量类别内，为了进一步区分可分级图像与不可分级图像，我们对训练好的 OCTA 质量表示网络提取的多尺度图像特征进行降维与聚类。在一个公开可用的数据集 sOCTA-3*3-10k 上进行了大量实验，成功确立了我们提出框架的优越性。
引用
@article{arxiv.2212.10541,
title = {UNO-QA: An Unsupervised Anomaly-Aware Framework with Test-Time Clustering for OCTA Image Quality Assessment},
author = {Juntao Chen and Li Lin and Pujin Cheng and Yijin Huang and Xiaoying Tang},
journal= {arXiv preprint arXiv:2212.10541},
year = {2023}
}
备注
submitted to ISBI2023