Retinal Image Quality Assessment Using Supervised Classification

L'évaluation de la qualité d'images de la rétine est une étape importante dans le diagnostic automatisé des maladies de l'œil. La précision du diagnostic est dépendante de ce critère, car une mauvaise qualité de l'image peut empêcher l'observation de caractéristiques importantes de l'oeil et des manifestations pathologiques. Un algorithme robuste est donc nécessaire afin d'évaluer la qualité des images dans une base de données. Les méthodes existantes sont généralement basées sur des paramètres de qualité d'image génériques ou des critères structurels. L'évaluation de la qualité de l'image en fonction de paramètres génériques exploite la plupart des paramètres tels que les caractéristiques de contraste, netteté, éclairage, et la texture. Ces méthodes évitent généralement les procédures de segmentation des structures de l'oeil. Le grand avantage de ces méthodes est leur faible complexité de calcul par rapport à celles mises au point sur la base de critères structurels. En revanche, les systèmes basés sur des critères structurels exigent l'identification de structures anatomiques, y compris le disque optique et le réseau vasculaire de la macula. Ces méthodes ont tendance à manquer de robustesse lorsqu'elles traitent des images de mauvaise qualité. Bien que les algorithmes d'évaluation de la qualité de l'image précédemment développé montrent de bonnes performances, ils ont été mis en place sur différentes bases de données en s'appuyant sur des critères différents. Une nouvelle mesure est donc nécessaire. Nous avons développé un algorithme d'évaluation de la qualité de l'image rétinienne basée sur l'extraction de caractéristiques génériques sans segmentation a priori de l'image. La nouveauté de cet algorithme est sa simplicité et son faible coût de calcul, ainsi que sa capacité à s'adapter sur la région d'intérêt locale. Les caractéristiques génériques sont constituées de la netteté locale, le ratio de bordure, les caractéristiques de texture et l'histogramme de couleur. La probabilité cumulée de flou métrique de détection et l'algorithme de codage de longueur variable ont été utilisés pour mesurer la netteté et les caractéristiques texturales, respectivement. Les caractéristiques extraites sont combinés pour évaluer la convenance de l'image à des fins de diagnostic. Basé sur le fait que les experts médicaux se concentrent davantage sur certaines structures anatomiques telles que la macula et le disque optique, nous avons décidé de comparer les approches globales et locales. Un « support vector machine » avec un « kernel » de fonctionsde base radiales a été utilisé comme un classificateur non linéaire afin de classer les images pour les groupes utilisables et non-utilisables. La méthodologie développée a été appliquée sur 100 images avec des tailles différentes classées par un expert médical. L'expert a évalué 50 images comme mesurable et 50 comme non-mesurable. Les résultats indiquent un très bon accord entre les prédictions de l'algorithme proposé et le jugement de l'expert médical: la sensibilité et la spécificité de l'approche locale sont respectivement 94% et 92% alors qu'il était de 87% et 89% pour l'approche globale.