基于深度学习的自动图像质量评估在超广场的照片中
Richul Oh1,2, Un Chul Park1,2, Kyu Hyung Park1,2
1Department of Ophthalmology, Seoul National University College of Medicine, Jongno-gu, Korea (the Republic of).
BMJ open
|May 21, 2025
概括
一种用于超广场基底图像质量评估的自动化深度学习模型与人类分级器达成的协议高于人对人协议,证明了其在临床使用中的有效性.
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:
- 超广场 (UWF) 底部摄影对于临床诊断和人工智能开发越来越重要.
- 准确的图像质量评估 (IQA) 是可靠的UWF图像解释的关键先决条件.
- 目前的IQA方法依赖于手动评分,这可能是主观的,耗时的.
研究的目的:
- 开发和验证深度学习 (DL) 模型,用于UWF基金照片的自动化IQA (UWF-IQA模型).
- 为了比较UWF-IQA自动化模型与眼科医生手动分级的性能.
- 评估UWF图像质量评估中人类专家之间的跨年级协议.
主要方法:
- 一个由4749张UWF图像组成的数据集被策划.
- 三位眼科医生根据视野,外围可视化,后极细节和以五点尺度为中心,手动分级图像.
- 开发了一个基于EfficientNet-B3的DL模型 (UWF-IQA模型) 来预测IQA分数.
主要成果:
- 在UWF-IQA模型中,与手动分级器实现了0.731 (科恩的二次加权卡帕) 的平均协议.
- 手动评分的学生获得了0.603的平均级别之间的协议.
- 该模型在后极分级 (0.838) 和最终分级 (0.788) 中显示了最高的一致性.
结论:
- 自动化的UWF-IQA模型表明,与手动评估相比,与级别之间的协议相比,与手动评估达成更好的协议.
- 基于DL的UWF-IQA模型为最终和子类别分级提供了可靠和高效的预测.
- 这种自动化方法可以提高IQA在临床环境和AI应用中的一致性和效率.
