sapiСистемный анализ и прикладная информатика«System analysis and applied information science»2309-49232414-0481Belarusian National Technical University10.21122/2309-4923-2021-4-25-38sapi-535Research ArticleСистемный анализSystem analysisОценка качества цифровых изображений сетчаткиDigital fundus image quality assessmentСтаровойтовВ. B.StarovoitovV. V.

Старовойтов Валерий Васильевич, доктор технических наук, профессор, главный научный сотрудник

г. Минск

Starovoitov Valery, Doctor of Sciences and professor of computer science. He is a Principal research fellow

Minsk

ГолубЮ. И.GolubY. I.

Голуб Юлия Игоревна, кандидат технических наук, доцент, старший научный сотрудник

г. Минск

Yuliya I. Golub, PhD, Associate Professor, Senior Research Fellow

Minsk

ЛукашевичМ. М.LukashevichM. M.

Лукашевич Марина Михайловна, кандидат технических наук, доцент, докторант

г. Минск

Marina M. Lukashevich, PhD, postdoctoral researcher

Minsk

Объединенный институт проблем информатики Национальной академии наук БеларусиБеларусьUnited Institute of Informatics Problems, National Academy of Sciences of BelarusBelarusБелорусский государственный университет информатики и радиоэлектроникиБеларусьBelarusian State University of Informatics and RadioelectronicsBelarus202104012022042538Copyright © Старовойтов В.B., Голуб Ю.И., Лукашевич М.М., 20222022Старовойтов В.B., Голуб Ю.И., Лукашевич М.М.Starovoitov V.V., Golub Y.I., Lukashevich M.M.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://sapi.bntu.by/jour/article/view/535

Диабетическая ретинопатия (ДР) – это болезнь, вызванная осложнениями сахарного диабета. Она начинается бессимптомно и может закончится слепотой. Для ее обнаружения медики используют специальные фотокамеры, позволяющие регистрировать изображения сетчатки глаза в видимом диапазоне электромагнитного спектра. На этих изображениях видны признаки осложнений, по которым определяется наличие ДР и ее стадия. Исследователи всего мира разрабатывают системы автоматизированного анализа изображений сетчатки. В настоящее время уровень точности классификации заболеваний, вызванных ДР, системами на базе машинного обучения сопоставим с уровнем квалифицированных медиков.

В статье показано разнообразие вариантов представления сетчатки на цифровых изображениях. Поставлена задача разработки универсального подхода к оценке качества изображения сетчатки, полученного произвольной камерой. Она решается в первом блоке любой автоматизированной системы анализа изображений сетчатки. Процедура оценки качества выполняется в несколько этапов. На первом этапе необходимо выполнить бинаризацию исходного изображения и построить маску сетчатки. Такая маска индивидуальна для каждого изображения даже среди изображений, зарегистрированных одной камерой. Для этого предлагается новый универсальный алгоритм бинаризации изображения сетчатки. Анализируя построенную маску, можно определить и удалить изображения-выбросы, на которых представлена не сетчатка, а другие объекты. Далее решается задача оценки качества изображений в отсутствии эталона и их классификация на два класса: удовлетворительные и неудовлетворительные для дальнейшего анализа. Поэтапно оценивается контраст, резкость и возможность выделения сосудистой системы изображения сетчатки. Показано, что задача оценки качества произвольного изображения сетчатки может быть решена.

Эксперименты выполнялись на разнообразных изображениях из доступных баз данных.

Diabetic retinopathy (DR) is a disease caused by complications of diabetes. It starts asymptomatically and can end in blindness. To detect it, doctors use special fundus cameras that allow them to register images of the retina in the visible range of the spectrum. On these images one can see features, which determine the presence of DR and its grade. Researchers around the world are developing systems for the automated analysis of fundus images. At present, the level of accuracy of classification of diseases caused by DR by systems based on machine learning is comparable to the level of qualified medical doctors.

The article shows variants for representation of the retina in digital images by different cameras. We define the task to develop a universal approach for the image quality assessment of a retinal image obtained by an arbitrary fundus camera. It is solved in the first block of any automated retinal image analysis system. The quality assessment procedure is carried out in several stages. At the first stage, it is necessary to perform binarization of the original image and build a retinal mask. Such a mask is individual for each image, even among the images recorded by one camera. For this, a new universal retinal image binarization algorithm is proposed. By analyzing result of the binarization, it is possible to identify and remove imagesoutliers, which show not the retina, but other objects. Further, the problem of no-reference image quality assessment is solved and images are classified into two classes: satisfactory and unsatisfactory for analysis. Contrast, sharpness and possibility of segmentation of the vascular system on the retinal image are evaluated step by step. It is shown that the problem of no-reference image quality assessment of an arbitrary fundus image can be solved.

Experiments were performed on a variety of images from the available retinal image databases.

диабетическая ретинопатиясетчаткацифровое изображениеоценка качества изображенийраспределение Вейбуллаdiabetic retinopathyfundus-cameradigital imageimage quality assessmentWeibull distributionРабота частично выполнена в рамках проектов БРФФИ Ф20РА-014 и Ф21ПАКГ-001.ReferencesDiabetes – Statistics & Facts [Электронный ресурс]. – Режим доступа: https://www.statista.com/topics/1723/diabetes/#dossierKeyfigures. – Дата доступа: 03.11.2021.Diabetes – Statistics & Facts [Электронный ресурс]. – Режим доступа: https://www.statista.com/topics/1723/diabetes/#dossierKeyfigures. – Дата доступа: 03.11.2021.Tilahun M., et al. Prevalence of Diabetic retinopathy and its associated factors among diabetic patients at Debre Markos referral hospital, Northwest Ethiopia, 2019: hospital-based cross-sectional study, Diabetes, Metabolic Syndrome and Obesity: Targets and Therapy. – 2020. – Vol.13. – pp.2179.Tilahun M., et al. Prevalence of diabetic retinopathy and its associated factors among diabetic patients at Debre Markos referral hospital, Northwest Ethiopia, 2019: hospital-based cross-sectional study, Diabetes, Metabolic Syndrome and Obesity: Targets and Therapy. – 2020. – Vol.13. – pp.2179.Krause J., et al. Grader variability and the importance of reference standards for evaluating machine learning models for diabetic retinopathy, Ophthalmology, 2018, Vol.125, No.8, pp.1264–1272.Krause J., et al. Grader variability and the importance of reference standards for evaluating machine learning models for diabetic retinopathy, Ophthalmology, 2018, Vol.125, No.8, pp.1264–1272.Manohar P., Mallikarjun S. Holi comparative study of methods for fundus mask generation, International Journal of Advanced Science and Technology, 2020, Vol. 29, No. 3, pp. 9642–9653.Manohar P., Mallikarjun S. Holi Comparative study of methods for fundus mask generation, International Journal of Advanced Science and Technology, 2020, Vol. 29, No. 3, pp. 9642–9653.Gagnon L., et al. Procedure to detect anatomical structures in optical fundus images, SPIE Conf. on Medical imaging, 2001, Vol. 4322, pp. 1218–1225.Gagnon L., et al. Procedure to detect anatomical structures in optical fundus images, SPIE Conf. on Medical Imaging, 2001, Vol. 4322, pp. 1218–1225.Youssif A.A. H.A. R., Ghalwash A. Z., Ghoneim A.A. S.A. R., Optic disc detection from normalized digital fundus images by means of a vessels’ direction matched filter, IEEE Transactions on Medical Imaging, 2007, Vol.27, No.1, pp.11–18. doi: 10.1109/TMI.2007.900326.Youssif A.A. H.A. R., Ghalwash A. Z., Ghoneim A.A. S.A. R. Optic disc detection from normalized digital fundus images by means of a vessels direction matched filter, IEEE Transactions on Medical Imaging, 2007, Vol. 27, No. 1, pp. 11–18. doi: 10.1109/TMI.2007.900326.Niemeijer M., et al. Fast detection of the optic disc and fovea in color fundus photographs, Medical Image Analysis, 2009, 13(6): 859–870. doi: 10.1016/j.media.2009.08.003.Niemeijer M., et al. Fast detection of the optic disc and fovea in color fundus photographs, Medical Image Analysis, 2009, Vol.13, No.6, pp. 859–870. doi:10.1016/j.media.2009.08.003.DRIMDB – Database for quality testing of retinal images [Электронный ресурс]. – Режим доступа: https://academictorrents.com/details/99811ba62918f8e73791d21be29dcc 372d660. – Дата доступа: 09.09.2021.DRIMDB – Database for quality testing of retinal images [Электронный ресурс]. – Режим доступа: https:// academictorrents.com/details/99811ba62918f8e73791d21be29dcc 372d660. – Дата доступа: 09.09.2021.Khan S. M., et al. A global review of publicly available datasets for ophthalmological imaging: barriers to access, usability, and generalisability, The Lancet Digital Health, 2021, Vol.3, No.1, pp.e51-e66. doi: 10.1016/S2589– 7500(20)30240–5.Khan S. M., et al. A global review of publicly available datasets for ophthalmological imaging: barriers to access, usability, and generalisability, The Lancet Digital Health, 2021, Vol. 3, No.1, pp. e51-e66. doi: 10.1016/S2589– 7500(20)30240–5.Ter Haar F. Automatic localization of the optic disc in digital colour images of the human retina, Utrecht University. 2005, MS thesis, 83p.Ter Haar F. Automatic localization of the optic disc in digital colour images of the human retina, Utrecht University. 2005, MS thesis, 83p.Hashim F.A., Salem N. M., Seddik A. F. Preprocessing of color retinal fundus images, 2nd Int. Japan-Egypt Conference on Electronics, Communications and Computers, 2013 Dec 17, pp. 190–193. doi: 10.1109/JEC-ECC.2013.6766410.Hashim F.A., Salem N. M., Seddik A. F. Preprocessing of color retinal fundus images, 2nd Int. Japan-Egypt Conference on Electronics, Communications and Computers, 2013 Dec 17, pp. 190–193. doi: 10.1109/JEC-ECC.2013.6766410.Otsu N. A threshold selection method from gray-level histograms, IEEE Transactions on Systems, Man, and Cybernetics, 1979, Vol.9, No.1, pp.:62–66.Otsu N. A threshold selection method from gray-level histograms, IEEE Transactions on Systems, Man, and Cybernetics, 1979, Vol.9, No.1, pp.: 62–66.Aibinu A. M., Salami M. J.E., Shafie A.A. Retina fundus image mask generation using pseudo parametric modeling technique, IIUM Engineering Journal, 2010, Vol.11, No.2, pp.163–177.Aibinu A. M., Salami M. J.E., Shafie A.A. Retina fundus image mask generation using pseudo parametric modeling technique, IIUM Engineering Journal, 2010, Vol.11, No.2, pp.163–177.База изображений EyePACS [Электронный ресурс]. – Режим доступа: http://www.eyepacs.com/. – Дата доступа: 03.11.2021.Database EyePACS [Электронный ресурс]. – Режим доступа: http://www.eyepacs.com/. – Дата доступа: 03.11.2021.Pertuz S., Puig D., Garcia M.A. Analysis of focus measure operators for shape-from-focus. Pattern Recognition. – 2013. – 46(5). – P. 1415–1432. doi: 10.1016/j.patcog.2012.11.011Pertuz S., Puig D., Garcia M.A. Analysis of focus measure operators for shape-from-focus, Pattern Recognition, 2013, Vol. 46, No.5, pp.1415–1432. DOI: 10.1016/j.patcog.2012.11.011.Голуб, Ю. И. Исследование локальных оценок контраста цифровых изображений при отсутствии эталона / Ю. И. Голуб, Ф. В. Старовойтов // Системный анализ и прикладная информатика. – 2019. – № 2 (22). – C. 4–11.Golub, Y. I. Study of local assessments of contrast for digital images / Y. I. Golub, F. V. Starovoitov // System Analysis and Applied Information Science, 2019, No.2 (22), pp. 4–11.Голуб, Ю. И. Сравнительный анализ безэталонных оценок резкости цифровых изображений / Ю. И. Голуб, Ф. В. Старовойтов, В. В. Старовойтов // Доклады Белорусского государственного университета информатики и радиоэлектроники. – 2019. – № 7 (125). – С. 113–120.Golub Y. I., Starovoitov F. V. Comparative analysis of no-reference measures for digital image sharpness assessment, Doklady BGUIR, 2019, No.7 (125), pp. 113–120.Zhai, G. Perceptual image quality assessment: a survey / G. Zhai, X. Min // Science China Information Sciences. – 2020. – V. 63. – № 11. – P. 83–135.Zhai G., Min X. Perceptual image quality assessment: a survey, Science China Information Sciences, 2020, Vol. 63, No.11, pp. 83–135.Gvozden, G. Blind image sharpness assessment based on local contrast map statistics / G. Gvozden, S. Grgic, M. Grgic // Journal of Visual Communication and Image Representation. – 2018. – 50. – P. 145–158. doi: 10.1016/j.jvcir.2017.11.017.Gvozden G., Grgic S., Grgic M. Blind image sharpness assessment based on local contrast map statistics, Journal of Visual Communication and Image Representation, 2018, Vol.50, pp.145–158. doi: 10.1016/j.jvcir.2017.11.017.Narvekar N. D., Karam L. J. A no-reference perceptual image sharpness metric based on a cumulative probability of blur detection, Int. Workshop on Quality of Multimedia Experience. – 2009. – P. 87–91. doi: 10.1109/QOMEX.2009.5246972.Narvekar N. D., Karam L. J. A no-reference perceptual image sharpness metric based on a cumulative probability of blur detection. 2009 International Workshop on Quality of Multimedia Experience, 2009, pp.87–91. doi: 10.1109/QOMEX.2009.5246972.

The authors declare that there are no conflicts of interest present.