7、视网膜图像质量评估与血管分割的深度学习方法

视网膜图像质量评估与血管分割的深度学习方法

在眼科疾病的诊断中，视网膜图像的质量评估（RIQA）和血管分割至关重要。传统的RIQA方法往往关注图像的整体质量因素，但在临床实践中，眼科医生更关心视网膜关键结构（如血管和视盘）的可见性和形态。因此，将视网膜结构分割与RIQA相结合是一种有前景的方法。同时，视网膜血管分割对于早期诊断多种眼科疾病具有重要意义，然而实现准确精细的分割仍具有挑战性。本文将介绍两种相关的深度学习模型：用于RIQA的结构引导网络（SG-Net）和用于视网膜血管分割的级联注意力引导网络（CAG-Net）。

用于RIQA的SG-Net

数据库

本次研究使用EyeQ数据库评估SG-Net。该数据库包含12543张训练图像和16249张测试图像，这些图像来自EyePACS数据库，并由专家使用三级质量分级系统进行手动标注，分级系统考虑了模糊、光照、对比度和伪影四个常见质量因素，具体分级标准如下：
- Good ：视网膜图像中无低质量因素，所有视网膜病变特征清晰可见。
- Usable ：视网膜图像存在轻微低质量因素，无法被CAD系统使用，但眼科医生可识别重要结构和病变特征。
- Reject ：视网膜图像存在严重低质量因素，CAD系统和眼科医生均无法使用；若视盘或黄斑区域不可见，也归为此类。

方法

SG-Net由血管分割模块、视盘分割模块和质量评估模块组成，具体如下：
- 分割模块 ：采用U-Net模型分割重要视网膜结构。在编码器路径，