眼底图像质量分析算法发展历史

视网膜图像是通过眼底照相机进行拍摄而得到的图像，图像质量的好坏将影响医生的诊断结果及后续的医学治疗，所以对视网膜图像进行质量分类，并根据评估结果做进一步的处理，具有重要的医学价值。2007年，Niemeijer等提出了图像结构聚类算法，利用SVM分类器获得了97.40%的准确率，然而该算法对每一幅图像都需要花费大量时间进行检测，不能满足拍摄后立即输出质量结果的需求。随后2008年，Giancardo等根据局部血管密度和颜色直方图等特征通过SVM与K最近邻算法对眼底图像进行质量分类，准确率达到96.00%，该方法平均每3.53秒检测一幅图像，大幅度提高了眼底图像质量分类的效率。2014年，Nugroho等使用贝叶斯分类器，利用对比度等图像参数判定视网膜图像质量。2016年，Mahapatra提出了一个含有卷积层、最大池化操作层及全连接层的卷积神经网络（CNN），该网络在眼底图像质量评估中实现了不错的分类结果，但需要很大的数据进行训练，容易出现过拟合现象。2018年，Saha等通过Alex Net网络结构对眼底质量图像进行训练并使用EyePACS数据库图像进行测试，最终结果与医生手动分类方法达到97%的重合率；Zago等使用ImageNet数据集的预训练模型提取图像的一般特征，利用Inception-CNN结构和微调权重参数训练网络，通过数据集的交叉验证评估网络的质量分类性能。

纵观眼底图像质量分类研究的发展历史，人工智能算法的不断发展和提升使得眼底图像质量分类的准确率不断提高。