近日，深圳大学医学部岳广辉副教授在医学图像处理领域顶级期刊IEEE Transactions on Medical Imaging (TOP期刊, 中科院一区，IF=8.9)上发表题为“Pyramid Network with Quality-Aware Contrastive Loss for Retinal Image Quality Assessment”的学术论文。青年教师岳广辉副教授担任第一作者，研究生张绍萍为第二作者。深圳大学为第一作者单位和通讯单位。

视网膜照相因其无创性、低成本和信息丰富而广泛应用于视网膜疾病的筛查和诊断。然而，在成像过程中由于内部和外部因素通常会导致视网膜图像质量的衰退，例如不均匀光照和低对比度等失真。低质量的视网膜图像无法为临床的精确诊断提供保障，增加漏诊和误诊的风险。因此，为了确保诊断的准确性，在使用图像之前对其进行质量评估是很有必要的。

目前基于深度学习的方法通常将图像分为“好”、“可用”和“差”三个级别，而三级别的分类忽略了更详细质量分数带来的定量反馈。考虑到定量评估任务相关数据集的匮乏，本研究首先构建了一个包含2300张真实失真的视网膜图像数据集，每张图像都通过主观实验用数字质量分数进行了注释。随后，本研究提出了一个统一的视网膜图像质量评价（RIQA）框架—QAC-Net，能够定性和定量地评估视网膜图像的质量。为了提高预测精度，一方面，QAC-Net采用金字塔网络结构，同时输入缩放后的图像，学习不同尺度下的质量感知特征，并通过一致性损失来提纯特征表示；另一方面，为了增强特征表示，QAC-Net利用了一种考虑不同图像之间质量关系的质量感知对比（QAC）损失，以进一步提取判别特征。在公共的和构建的数据集上的实验结果表明，QAC-Net可以准确预测图像的质量，并优于主流评价算法。

QAC-Net的网络框架

上述研究依托于广东省生物医学信息检测与超声成像重点实验室和医学超声关键技术国家地方联合工程实验室开展，并得到国家自然科学基金项目、广东省基础与应用基础研究基金项目、深圳大学医工交叉项目的资助。

原文链接：https://ieeexplore.ieee.org/document/10756750