論文の概要: FundaQ-8: A Clinically-Inspired Scoring Framework for Automated Fundus Image Quality Assessment

• arxiv url: http://arxiv.org/abs/2506.20303v1
• Date: Wed, 25 Jun 2025 10:28:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-26 21:00:42.696686
• Title: FundaQ-8: A Clinically-Inspired Scoring Framework for Automated Fundus Image Quality Assessment
• Title（参考訳）: FundaQ-8: 自動画像品質評価のための臨床応用スコーリングフレームワーク
• Authors: Lee Qi Zun, Oscar Wong Jin Hao, Nor Anita Binti Che Omar, Zalifa Zakiah Binti Asnir, Mohamad Sabri bin Sinal Zainal, Goh Man Fye,
• Abstract要約: FundaQ-8は、画像品質を体系的に評価するエキスパート検証フレームワークである。 我々は,0から1の範囲で連続的な品質スコアを予測するResNet18ベースの回帰モデルを開発した。 EyeQデータセットに対する検証と統計分析は、フレームワークの信頼性と臨床的解釈可能性を確認する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Automated fundus image quality assessment (FIQA) remains a challenge due to variations in image acquisition and subjective expert evaluations. We introduce FundaQ-8, a novel expert-validated framework for systematically assessing fundus image quality using eight critical parameters, including field coverage, anatomical visibility, illumination, and image artifacts. Using FundaQ-8 as a structured scoring reference, we develop a ResNet18-based regression model to predict continuous quality scores in the 0 to 1 range. The model is trained on 1800 fundus images from real-world clinical sources and Kaggle datasets, using transfer learning, mean squared error optimization, and standardized preprocessing. Validation against the EyeQ dataset and statistical analyses confirm the framework's reliability and clinical interpretability. Incorporating FundaQ-8 into deep learning models for diabetic retinopathy grading also improves diagnostic robustness, highlighting the value of quality-aware training in real-world screening applications.
• Abstract（参考訳）: 画像取得と主観的専門家評価の違いにより, 画像品質自動評価 (FIQA) は依然として課題である。 フィールドカバレッジ,解剖学的視認性,照明,画像アーティファクトといった8つの重要なパラメータを用いて,画像品質を体系的に評価する,新たな専門家検証フレームワークであるFundaQ-8を紹介した。 構造化スコア基準としてFundaQ-8を用いて,0から1の範囲で連続的な品質スコアを予測するResNet18ベースの回帰モデルを開発した。 このモデルは、実世界の臨床ソースとKaggleデータセットからの1800基の画像に基づいてトレーニングされ、転送学習、平均二乗誤差最適化、標準化された前処理を使用する。 EyeQデータセットと統計分析に対する検証は、フレームワークの信頼性と臨床解釈可能性を確認する。 糖尿病網膜症のディープラーニングモデルにFundaQ-8を組み込むことで、診断の堅牢性が向上し、現実世界のスクリーニングアプリケーションにおける品質認識トレーニングの価値が強調される。

関連論文リスト

• Metrics that matter: Evaluating image quality metrics for medical image generation [48.85783422900129]
  本研究は、脳MRIデータを用いて、一般的に使用される非参照画像品質指標を包括的に評価する。 本研究は, ノイズ, 分布変化, および臨床的に関係のある不正確さを模倣した形態的変化を含む, 様々な課題に対する計量感度を評価する。
  論文  参考訳（メタデータ） (2025-05-12T01:57:25Z)
• A No-Reference Medical Image Quality Assessment Method Based on Automated Distortion Recognition Technology: Application to Preprocessing in MRI-guided Radiotherapy [9.332679162161428]
  肝転移10例のMR画像106,000点について検討した。 1) 主要な診断特徴の可視性を高めるための事前処理。 腫瘍追跡アルゴリズムでは,前処理画像の追跡精度が有意に向上した。
  論文  参考訳（メタデータ） (2024-12-09T15:48:16Z)
• FGR-Net:Interpretable fundus imagegradeability classification based on deepreconstruction learning [4.377496499420086]
  本稿ではFGR-Netと呼ばれる新しいフレームワークを提案する。 FGR-Netモデルは、可視化による解釈可能な品質評価も提供する。 その結果,FGR-Netの精度は89%,F1スコアは87%であった。
  論文  参考訳（メタデータ） (2024-09-16T12:56:23Z)
• DP-IQA: Utilizing Diffusion Prior for Blind Image Quality Assessment in the Wild [73.6767681305851]
  野生のブラインド画像品質評価(IQA)は重大な課題を呈している。 大規模なトレーニングデータの収集が困難であることを考えると、厳密な一般化モデルを開発するために限られたデータを活用することは、未解決の問題である。 事前訓練されたテキスト・ツー・イメージ(T2I)拡散モデルの堅牢な画像認識能力により,新しいIQA法,拡散先行に基づくIQAを提案する。
  論文  参考訳（メタデータ） (2024-05-30T12:32:35Z)
• FundusQ-Net: a Regression Quality Assessment Deep Learning Algorithm for Fundus Images Quality Grading [0.0]
  緑内障、糖尿病網膜症、加齢に伴う黄斑変性は、視力障害や視覚障害の主な原因である。 このプロセスの鍵となるステップは、人間のオペレータや機械学習モデルによってこれらが解釈可能であることを確認するために、ベース画像の品質を自動的に見積もることである。 本稿では,この新たな尺度に対して,新たな基礎画像品質尺度とディープラーニング(DL)モデルを提案する。
  論文  参考訳（メタデータ） (2022-05-02T21:01:34Z)
• Uncertainty-Aware Blind Image Quality Assessment in the Laboratory and Wild [98.48284827503409]
  我々は,テキスト化BIQAモデルを開発し,それを合成的および現実的歪みの両方で訓練するアプローチを提案する。 我々は、多数の画像ペアに対してBIQAのためのディープニューラルネットワークを最適化するために、忠実度損失を用いる。 6つのIQAデータベースの実験は、実験室と野生動物における画像品質を盲目的に評価する学習手法の可能性を示唆している。
  論文  参考訳（メタデータ） (2020-05-28T13:35:23Z)
• Modeling and Enhancing Low-quality Retinal Fundus Images [167.02325845822276]
  低画質の眼底画像は臨床観察における不確実性を高め、誤診のリスクを引き起こす。 本稿では,グローバルな劣化要因を抑えるために,臨床指向の基盤拡張ネットワーク(cofe-Net)を提案する。 合成画像と実画像の両方の実験により、我々のアルゴリズムは網膜の細部を失うことなく、低品質の眼底画像を効果的に補正することを示した。
  論文  参考訳（メタデータ） (2020-05-12T08:01:16Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。