获得基金图像质量评估的连续和精确得分:FTHNet和FQS数据集
Zheng Gong1, Zhuo Deng1, Run Gan2
1Tsinghua University, Tsinghua Shenzhen International Graduate School, Shenzhen, China.
Scientific reports
|November 18, 2025
概括
一个新的数据集和基于变压器的超级网络 (FTHNet) 改善了基底图像质量评估 (FIQA). FTHNet准确地预测图像质量得分,提高了临床诊断的可靠性.
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:
- 视网膜底部图像对于医学诊断至关重要,但其质量显著影响准确性.
- 由于数据集和算法限制,现有的基底图像质量评估 (FIQA) 方法缺乏临床应用所需的详细细细度.
研究的目的:
- 为FIQA引入一个全面的基准数据集,命名为Fundus质量评分 (FQS).
- 为精确的FIQA开发一种新的基于变压器的超级网络 (FTHNet),将其视为回归任务.
主要方法:
- 创建了FQS数据集,包含2,246张图像,并用连续平均意见分数 (0-100) 和质量类别进行注释.
- 设计了基于变压器的超级网络FTHNet,用于预测连续质量评分 (MOS),而不是使用分类.
主要成果:
- 在FQS数据集上,FTHNet实现了高性能,具有Pearson (0.9423) 和Spearman (0.9488) 相对应系数.
- 拟议的方法显著优于现有的方法,参数和计算成本降低.
- 模型的部署表明了自动化医疗图像质量控制的潜力.
结论:
- FQS数据集和FTHNet在基金图像质量评估方面取得了重大进展.
- FTHNet为FIQA提供了一种更细致,更准确的方法,适合临床工作流程.
- 代码和数据的发布将促进自动化医疗图像分析领域的进一步研究.
