增强视网膜底部图像质量评估,通过跨多个颜色空间的基于Swin转换器的学习来提高视网膜底部图像质量

科学领域:

• 眼科医生 眼科 眼科
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 准确评估视网膜图像 (RI) 质量对于在临床试验和大型数据集中可靠的疾病诊断至关重要.
• 低于最佳的RI可以掩盖早期疾病指标,导致错误诊断.

研究的目的:

• 开发一个自动化的视网膜图像质量评估 (RIQA) 系统,结合视觉解释.
• 为了提高视网膜底部图像 (RI) 质量的全面评估.

主要方法:

• 开发了Swin-MCSFNet,这是一个自动化的RIQA系统,使用Swin转换器进行多种颜色空间融合.
• 在不同数据集 (EyeQ,EyePACS,OIA-ODIR) 上训练并验证了该系统,拥有超过31,000个RI.
• 使用Score-CAM生成热图,以提供对分类过程的视觉解释性.

主要成果:

• 斯温-MCSFNet表现出强的表现,微型ROC为0.93和特定类别ROC得分为0.96 (好),0.81 (可用) 和0.96 (拒绝).
• 热图表明,多色空间信息显著影响了分类器的决策.
• 该系统在多个数据中心中显示了通用性.

结论:

• 拟议的Swin-MCSFNet系统在RIQA中比现有方法提供了更高的性能.
• 视觉解释的整合提高了自动化质量评估的可解释性和可信度.
• 这种新的RIQA系统准备推进涉及视网膜图像的后续研究.