第三节　质量评估

质量评估环节是算法预测模块的首要环节，如果没有对输入的眼底图像质量进行一定的把控，将严重影响后面多病种诊断的图片质量，使最终结果存在极大的误差。对于眼底图像质量的评估，ARIC组织的研究将其分为两个方面：一个是通用图像质量参数，如聚焦和清晰度；另一个是结构图像质量参数，如血管清晰度、视盘可见度。传统的方法是通过采用一些通用图像信息，如直方图匹配、边缘强度分布和对比度特征来评估图像质量。尽管通用图像质量参数具有计算复杂度低的特点，但是影响眼底图像质量的因素有很多，这些方法无法捕捉所有的情况。一些图像质量评价（IQA）方法结合了通用图像质量参数和结构图像质量参数（包括血管和视盘的标记等），可是这些方法复杂度高并且依赖于准确的分割技术。其他的一些方法是提取出显著图特征或者HOG特征，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。人类是通过视觉系统来对眼底图像质量进行评估的，这些传统的方法没有对人类视觉系统加以考虑。基于卷积神经网络（CNN）的眼底图像质量评估算法可以克服上述问题。本节拟采用CNN架构对眼底图像进行质量评估。质量评估环节主要需要筛除以下几类眼底图像。

（1）非眼底彩照。如自然图像、OCT图像、黑白眼底照相等图像。

（2）过于模糊的眼底彩照。眼底彩照过于模糊，将无法分辨血管、视盘、黄斑等部位的患病情况，不利于接下来的诊断。

（3）过曝光的眼底彩照。眼底彩照过度曝光，即亮度过高，容易影响高光部分的清晰度。影响最直接的是视盘区域，某些病种如青光眼的诊断依据是通过衡量杯盘比（C/D）的大小、盘沿有无切迹、视盘有无出血、视网膜节细胞神经纤维层有无缺损等，当视盘区域过亮时容易模糊杯盘之间的界限，无法有效获取视杯的真实区域，从而影响对该病种的诊断准确度。

（4）欠曝光的眼底彩照。眼底彩照欠曝光，眼底除视盘区域外将无法识别，如图7-10中欠曝光图像所示，无法判别病种种类。

（5）其余低质量眼底彩照。由于成像设备的传输不稳定或拍照过程中镜头污染，容易产生不完整的眼底彩照或灰尘伪像，同样是无效的图像，因此需要剔除。

以上所提到的低质量眼底图像见图7-10。

接下来将设计一个质量评估模块来筛除不合规范的眼底图像，该模块可以使用两种方法——分类网络或目标检测技术进行处理。两种方法均有其优缺点，下面将对两种方法的设计过程进行阐述。

图7-10　低质量眼底图像眼底