通过使用本地和全球注意力机制的 fundus 图像质量分类器来增强眼科AI评估

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:

• 眼底成像对于眼科疾病的诊断至关重要,但目前的图像质量评估 (IQA) 方法缺乏全面的分析.
• 现有的IQA研究往往侧重于有限的信息 (本地或全球) 并遭受糟糕的解释性.
• 这项研究通过提出一种新的深度学习方法来解决这些局限性.

研究的目的:

• 开发一个先进的深度学习模型,用于准确和可解释的基底图像质量评估.
• 整合本地和全球图像功能,以获得更强大的IQA.
• 提高眼科计算机辅助诊断的可靠性.

主要方法:

• 介绍本地和全球注意力聚合深度神经网络 (LGAANet).
• 使用多源异质基底 (MSHF) 数据库的验证,包括彩色基底摄影 (CFP) 和超广场 (UWF) 图像.
• 使用注意力机制和突出地图来解释模型的可解释性,与眼科医生的评估进行基准测试.

主要成果:

• 在CFP数据集上,LGAANet在照明 (0.947),清晰度 (0.924) 和对比度 (0.947) 方面取得了很高的准确性.
• 在UWF数据集上,LGAANet显示了0.889 (照明),0.913 (清晰度) 和0.923 (对比度) 的精度.
• 该模型有效地以高精度区分不同程度的底部图像质量.

结论:

• LGAANet是第一个在MSHF数据集上训练的算法,用于fundus IQA.
• 这项工作代表了眼科计算机辅助诊断的重大进步.
• 该研究提供了一种新的,可解释的方法来评估 fundus 图像质量,有助于检测眼部疾病.