近日，深圳大學醫(yī)學部岳廣輝副教授在醫(yī)學圖像處理領域頂級期刊IEEE Transactions on Medical Imaging (TOP期刊,中科院一區(qū)，IF=8.9)上發(fā)表題為“Pyramid Network with Quality-Aware Contrastive Loss for Retinal Image Quality Assessment”的學術論文。青年教師岳廣輝副教授擔任第一作者，研究生張紹萍為第二作者。深圳大學為第一作者單位和通訊單位。

視網(wǎng)膜照相因其無創(chuàng)性、低成本和信息豐富而廣泛應用于視網(wǎng)膜疾病的篩查和診斷。然而，在成像過程中由于內(nèi)部和外部因素通常會導致視網(wǎng)膜圖像質(zhì)量的衰退，例如不均勻光照和低對比度等失真。低質(zhì)量的視網(wǎng)膜圖像無法為臨床的精確診斷提供保障，增加漏診和誤診的風險。因此，為了確保診斷的準確性，在使用圖像之前對其進行質(zhì)量評估是很有必要的。

目前基于深度學習的方法通常將圖像分為“好”、“可用”和“差”三個級別，而三級別的分類忽略了更詳細質(zhì)量分數(shù)帶來的定量反饋?？紤]到定量評估任務相關數(shù)據(jù)集的匱乏，本研究首先構(gòu)建了一個包含2300張真實失真的視網(wǎng)膜圖像數(shù)據(jù)集，每張圖像都通過主觀實驗用數(shù)字質(zhì)量分數(shù)進行了注釋。隨后，本研究提出了一個統(tǒng)一的視網(wǎng)膜圖像質(zhì)量評價（RIQA）框架—QAC-Net，能夠定性和定量地評估視網(wǎng)膜圖像的質(zhì)量。為了提高預測精度，一方面，QAC-Net采用金字塔網(wǎng)絡結(jié)構(gòu)，同時輸入縮放后的圖像，學習不同尺度下的質(zhì)量感知特征，并通過一致性損失來提純特征表示；另一方面，為了增強特征表示，QAC-Net利用了一種考慮不同圖像之間質(zhì)量關系的質(zhì)量感知對比（QAC）損失，以進一步提取判別特征。在公共的和構(gòu)建的數(shù)據(jù)集上的實驗結(jié)果表明，QAC-Net可以準確預測圖像的質(zhì)量，并優(yōu)于主流評價算法。

QAC-Net的網(wǎng)絡框架

上述研究依托于廣東省生物醫(yī)學信息檢測與超聲成像重點實驗室和醫(yī)學超聲關鍵技術國家地方聯(lián)合工程實驗室開展，并得到國家自然科學基金項目、廣東省基礎與應用基礎研究基金項目、深圳大學醫(yī)工交叉項目的資助。

原文鏈接：https://ieeexplore.ieee.org/document/10756750