质量意识对比损失的金字塔网络用于视网膜图像质量评估

科学领域:

• 医疗成像医学成像
• 计算机视觉 计算机视觉
• 眼科医生 眼科 眼科

背景情况:

• 视网膜图像质量对于准确诊断至关重要,因为低质量的图像会增加误诊的风险.
• 目前用于视网膜图像质量评估 (RIQA) 的深度学习方法提供有限的定性反,将图像分类为"好"",可用"或"拒绝".

研究的目的:

• 开发一个统一的框架,QAC-Net,用于全面的RIQA,提供定性和定量质量评分.
• 增强特征提取,以提高RIQA任务中的预测准确度.

主要方法:

• QAC-Net采用金字塔网络结构,用于通过一致性损失进行多级特征学习和特征净化.
• 通过考虑图像之间的质量关系,利用质量意识对比 (QAC) 损失来改善特征表示.
• 为了进行定量评估,创建了一个新的数据集,包括2300个具有主观质量评分的扭曲视网膜图像,用于定量评估.

主要成果:

• 在质量和数量方面,QAQ-Net表现出了RIQA任务的能力.
• 公共和新建数据集的实验结果证实了该框架的显著性能.

结论:

• QAC-Net为RIQA提供了一个强大的解决方案,通过提供详细的质量反来解决现有方法的局限性.
• 拟议的框架有可能通过更精确地评估视网膜图像质量来减少误诊.