眼底图像质量分析 .pdfVIP

眼底图像质量分析

第一节眼底图像质量评估

一、眼底图像质量评估的意义

彩色眼底图像广泛用于糖尿病视网膜病变（DR）、年龄相关性黄斑变性（AMD）、

青光眼等眼底疾病的筛查和诊断。许多计算机辅助诊断（computeraided

diagnosis，CAD）系统在各类眼底疾病中已获得成功应用，这些自动诊断系统的

成功有赖于输入图像的质量。目前的眼底图像数据库中存在大量低质量眼底图

像，如模糊、光照不足、曝光过度。这些低质量眼底图像不便于眼科医生和计算

机辅助诊断系统进行病理分析。临床眼底照相采集过程中，一些患者由于存在屈

光介质混浊如白内障、玻璃体混浊、角膜斑翳等，在没有其他干扰的情况下无法

获取清晰的视网膜图像。已有研究表明，目前的眼底图像数据集中，因质量差而

影响医学诊断的图像占比高于四分之一，基层医院上传至云平台的眼底图像中低

质量图像占比近二分之一。眼底图像质量评估（retinalimagequality

assessment，RIQA）是眼疾病自动检测系统中关键的一步，图像质量的好坏可以

决定眼疾病检测的准确率。

动脉粥样硬化风险机构（AtheroscleroticRiskinCommunities，ARIC）

的研究表明，影响图像质量的重要因素可分为两类：通用图像质量参数（如聚焦

和锐度）和结构图像质量参数（如血管的清晰度，视盘、黄斑等结构的可见度）。

图4-1列出了临床数据集中低质量眼底图像的实例。这些图像是由模糊、光照不

足、曝光过度、遮挡、睫毛或镜片上的灰尘伪像造成的。低质量眼底图像使后续

的眼疾病分析和诊断更加困难。

二、眼底图像质量评估的研究现状及趋势

目前对于眼底图像质量评估的研究主要分为三类。其一，基于通用图像信息

的传统方法，如直方图匹配、边缘强度分布和对比度特征。Lee等使用通过模板

强度直方图与视网膜图像的强度直方图卷积计算得到的质量Q指数来衡量眼底

图像的质量。Lalonde等基于边缘强度分布特征和像素灰度值自动地对眼底图像

的质量进行评估。尽管通用图像质量参数具有计算复杂度低的特点，但是影响视

网膜图像质量的因素比较复杂，这些方法无法捕捉不同的情况。其二，基于结构

图像质量参数的方法，如血管的标记等，这些方法复杂度高并且在模糊图像中容

易出错。Paulus等采用结合通用图像质量参数和结构图像质量参数的方法，该

方法依赖于准确的分割技术。Usher等采用了一种基于眼底图像血管面积的结构

图像质量参数进行图像质量评估。Niemeijer等对视网膜图像进行结构聚类进而

评估眼底图像质量。其三，利用显著图或shearlet系数进行特征提取，然后将

这些特征送入支持向量机（SVM）中进行分类。总的来说，传统的方法依赖于人

工设计的特征，泛化性差，在实际应用中容易出错。

图4-1数据集中的低质量眼底图像

传统的眼底图像质量评估算法依赖于某种基于通用图像质量参数或结构图

像质量参数的手工特征，很难将这些算法推广到一个新的数据集。此外，人类是

通过人类视觉系统（humanvisualsystem，HVS）来对眼底图像质量进行评估的，

传统的方法没有考虑到HVS的特性，也没有将其引入图像质量评估算法中。近十

年来，深度学习受到很大关注，而CNN以其强大的表现力在各个领域都有着广泛

应用。与传统的手工特征提取方法不同，深度学习模型能够发现原始特征中固有

的、隐藏或潜在的高层次特征，有助于建立更加鲁棒的模型。Mahapatra和Ruwan

等先后采用CNN结构学习特征对眼底图像质量进行分类，在RIQA中考虑了HVS

的特性，和传统方法相比取得了更好的结果。但对于眼底图像的分析处理，相比

于自然图像，眼底图像有其自身的特殊性。其病灶区域和整幅图像相比，往往只

占很小一部分，而正是这比较小的区域，才起着决定性的作用。通过深度学习算

法有效提取到这部分区域的特征要比学习自然图像的特征更加具有挑战性。

三、眼底图像质量评估分类模型的介绍

对于眼疾病自动筛查系统而言，可接受的眼底图像需要达到眼疾病诊断的标

准。以DR自动诊断系统为例，图像中对正确诊断至关重要的部分必须是清晰可

见的，例如血管和病变区域。从人类视觉注意机制的角度来看，人类更加关心视

网膜的前景区域，忽略含有信息较少的背景区域。几种经典的CNN（AlexNet、

GoogLeNet、VGG、ResNet-50和Incep