近日，深圳大學醫學部岳廣輝副教授在醫學圖像處理領域頂級期刊IEEE Transactions on Medical Imaging (TOP期刊,中科院一區，IF=8.9)上發表題為“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。

視網膜照相因其無創性、低成本和信息豐富而廣泛應用于視網膜疾病的篩查和診斷。然而，在成像過程中由于內部和外部因素通常會導致視網膜圖像質量的衰退，例如不均勻光照和低對比度等失真。低質量的視網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量分數帶來的定量反饋。考慮到定量評估任務相關數據集的匱乏，本研究首先構建了一個包含2300張真實失真的視網膜圖像數據集，每張圖像都通過主觀實驗用數字質量分數進行了注釋。隨后，本研究提出了一個統一的視網膜圖像質量評價（RIQA）框架—QAC-Net，能夠定性和定量地評估視網膜圖像的質量。為了提高預測精度，一方面，QAC-Net采用金字塔網絡結構，同時輸入縮放后的圖像，學習不同尺度下的質量感知特征，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量關系的質量感知對比（QAC）損失，以進一步提取判別特征。在公共的和構建的數據集上的實驗結果表明，QAC-Net可以準確預測圖像的質量，并優于主流評價算法。

QAC-Net的網絡框架

上述研究依托于廣東省生物醫學信息檢測與超聲成像重點實驗室和醫學超聲關鍵技術國家地方聯合工程實驗室開展，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、深圳大學醫工交叉項目的資助。

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