22、视网膜图像质量分类：结合显著性图与卷积神经网络

视网膜图像质量分类：结合显著性图与卷积神经网络

背景与问题提出

视网膜图像质量评估（IQA）在糖尿病视网膜病变（DR）等疾病的筛查系统中是至关重要的一步。自动化分析要求视网膜图像达到一定的质量标准，以便进行特征提取。然而，当前的IQA算法存在一些问题。

传统的IQA方法使用手工特征，却未充分考虑人类视觉系统（HVS）的重要作用。这些方法主要分为两类：一类使用通用图像质量参数（如对比度、清晰度等），像直方图匹配和边缘幅度分布方法；另一类使用视网膜地标（如血管和多尺度滤波器组），但需要进行复杂且易出错的解剖地标分割，特别是对于低质量图像。此外，人类依靠HVS来识别低质量图像，而IQA具有主观性，依赖于用户对图像质量的感知。当前方法使用的手工特征在新数据集上的泛化能力较差，也未充分利用HVS的功能来改进IQA。

为了解决这些问题，我们提出了一种新的方法，该方法结合了局部显著性图的无监督信息和训练好的卷积神经网络（CNNs）的监督信息，以确定视网膜扫描图像的质量。

方法概述

我们的方法主要包括以下几个部分：
1. 显著性模型 ：
- 图像预处理 ：将原始的8位彩色图像进行强度归一化到[0, 1]，并调整大小为512 × 512像素。
- 局部显著性图计算 ：传统的显著性算法（如Itti - Koch模型）只能突出显示一个最显著的区域，而我们提出的“局部”显著性图方法，通过将神经生物学原理融入算法，计算每个像素的显著性值。具体步骤如下：
- 将调整大小后的彩色图像转换为灰度强度图像，并从中获取纹