sapiСистемный анализ и прикладная информатика«System analysis and applied information science»2309-49232414-0481Belarusian National Technical University10.21122/2309-4923-2025-3-47-58sapi-763Research ArticleОбработка информации и принятие решенийData processing and decision–makingОбъективная оценка качества цифровых изображений сетчатки при скрининговом исследованииObjective quality assessment of digital retinal images in screening studyГолубЮ. И.GolubYu. I.

Голуб Юлия Игоревна – Кандидат технических наук, доцент, ведущий научный сотрудник.

 г. Минск

Yuliya I. Golub – PhD, Associate Professor, Leading Researcher.

Minsk

 

СтаровойтовВ. В.StarovoitovV.

Старовойтов Валерий Васильевич – Доктор технических наук, профессор, главный научный сотрудник.

г. Минск 

Valery Starovoitov – Doctor of Science, Professor.

Minsk

Объединенный институт проблем информатики Национальной академии наук БеларусиБеларусьUnited Institute of Informatics Problems, National Academy of Sciences of BelarusBelarus202516102025034758Copyright © Голуб Ю.И., Старовойтов В.В., 20252025Голуб Ю.И., Старовойтов В.В.Golub Y.I., Starovoitov V.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/763

В статье представлен новый метод автоматизированной безэталонной количественной оценки качества цифровых изображений сетчатки для задач скрининга диабетической ретинопатии. Предложенный метод не требует локализации анатомических структур и основан на анализе центрального фрагмента изображения в зелёном спектральном канале с применением параметра масштаба распределения Вейбулла для интеграции локальных оценок качества. Проведён сравнительный анализ 36 безэталонных функций, выбраны две оценки, показавшие наиболее стабильные результаты. Экспериментально показано, что использование центрального фрагмента (crop) размером 50–67 % от исходных размеров снимка позволяет повысить точность оценки качества на 40 % по сравнению с анализом полного кадра. Масштабирование этого фрагмента до 512×512 пикселей сокращает время анализа снимка до 20 раз без потери точности. Эффективность метода подтверждена на трех тысячах изображениях из различных источников (базы Kaggle, DDR, белорусские клинические данные). Разработанный подход не требует эталонных данных и может быть интегрирован в системы массового скрининга изображений глазного дна, снижая нагрузку на специалистов, повышая доступность диагностики для пациентов при ограниченных вычислительных ресурсах.

The paper presents a new method for automated no-reference quantitative assessment of the quality of digital retinal images for diabetic retinopathy screening. The proposed method does not require localization of anatomical structures and is based on the analysis of the central fragment of the image in the green spectral channel using the Weibull distribution scale parameter for integrating local quality estimates. A comparative analysis of 36 no-reference functions was carried out, two evaluation measures that showed the best results were selected. It was experimentally shown that using a central fragment 50–67% of the original image size allows increasing the accuracy of image quality assessment by 40 % compared to full-image analysis. Scaling this fragment to 512×512 pixels reduces the image analysis time by up to 20 times without losing accuracy. The effectiveness of the method was confirmed on three thousand images from various sources: Kaggle and DDR databases, Belarusian clinical data. The developed approach does not require reference data and can be integrated into mass screening systems of fundus images, reducing the workload of specialists and increasing the availability of diagnostics for patients with limited computing resources.

диабетическая ретинопатиябезэталонная оценка качества изображенияскринингобработка изображения сетчаткимасштабирование изображенияраспределение Вейбуллацифровая офтальмологияdiabetic retinopathyno-reference image quality assessmentscreeningretinal image processingimage scalingWeibull distributiondigital ophthalmologyИсследование выполнено в рамках проекта № Ф23ИНДГ-004.ReferencesCurran, K. Inclusion of diabetic retinopathy screening strategies in national-level diabetes care planning in low- and middle-income countries: a scoping review / K. Curran, P. Piyasena, N. Congdon [et al.] // Health Research Policy and Systems. 2023. Vol. 21, № 2. DOI: 10.1186/s12961-022-00940-0Curran K, Piyasena P, Congdon N, Duke L, Malanda B, Peto T. Inclusion of diabetic retinopathy screening strategies in national-level diabetes care planning in low- and middle-income countries: a scoping review. Health Research Policy and Systems. 2023;21(2). DOI: 10.1186/s12961-022-00940-0Nørgaard, M. F. Automated screening for diabetic retinopathy - A systematic review / M. F. Nørgaard, J. Grauslund // Ophthalmic research. 2018. Vol. 60, № 1. P. 9–17. DOI: 10.1159/000486284Nørgaard MF, Grauslund J. Automated screening for diabetic retinopathy - A systematic review. Ophthalmic research. 2018;60(1):9–17. DOI: 10.1159/000486284Павлов, В. Г. Современные тенденции скрининга диабетической ретинопатии / В. Г. Павлов, А. Л. Сидамонидзе, Д. В. Петрачков // Вестник офтальмологии. 2020. Т. 136, № 4. С. 300–309. DOI: 10.17116/oftalma2020136042300Pavlov VG, Sidamonidze AL, Petrachkov DV. Current trends in the screening for diabetic retinopathy. Russian Annals of Ophthalmology. 2020;136(4):300–309. (In Russ.). DOI: 10.17116/oftalma2020136042300Avidor, D. Cost-effectiveness of diabetic retinopathy screening programs using telemedicine: a systematic review / D. Avidor, A. Loewenstein, M. Waisbourd, A. Nutman // Cost Effectiveness and Resource Allocation. 2020. Vol. 18. P. 1–9. DOI: 10.1186/s12962-020-00211-1Avidor D. Loewenstein A, Waisbourd M, Nutman A. Cost-effectiveness of diabetic retinopathy screening programs using telemedicine: a systematic review. Cost Effectiveness and Resource Allocation. 2020;18:1–9. DOI: 10.1186/s12962-020-00211-1Tung, T. H. Economic evaluation of screening for diabetic retinopathy among Chinese type 2 diabetics: a community-based study in Kinmen / T. H. Tung [и др.] // Taiwan. J Epidemiol. 2008. Vol. 18, № 5. P. 225–33. DOI: 10.2188/jea.je2007439Tung T-H, Shih H-C, Chen S-J, Chou P, Liu C-M, Liu J-H. Economic evaluation of screening for diabetic retinopathy among Chinese type 2 diabetics: a community-based study in Kinmen, Taiwan. J Epidemiol. 2008;18(5):225–33. DOI: 10.2188/jea.je2007439Biswas, S. Which color channel is better for diagnosing retinal diseases automatically in color fundus photographs? / S. Biswas, Md. I. A. Khan, Md. T. Hossain, A. Biswas [et al.] // Life (Basel). 2022. Vol. 12, № 7. P. 973. DOI: 10.3390/life12070973Biswas S, Khan MdIA, Hossain MdT, Biswas A, Nakai T, Rohdin J. Which color channel is better for diagnosing retinal diseases automatically in color fundus photographs? Life (Basel). 2022;12(7):973. DOI: 10.3390/life12070973Guo, T. Refined image quality assessment for color fundus photography based on deep learning / T. Guo, K. Liu, H. Zou [et al.] // Digital Health. 2024. Vol. 10. P. 1–13. DOI: 10.1177/20552076231207582Guo T, Liu K, Zou H, Xu X, Yang J, Yu Q. Refined image quality assessment for color fundus photography based on deep learning. Digital Health. 2024;10:1–13. DOI: 10.1177/205520762312075821000 Fundus images with 39 categories. URL: https://www.kaggle.com/datasets/linchundan/fundusimage1000/data (дата обращения: 19.05.2025).1000 Fundus images with 39 categories. URL: https://www.kaggle.com/datasets/linchundan/fundusimage1000/data (date of access: 19.05.2025).Li T. Diagnostic assessment of deep learning algorithms for diabetic retinopathy screening / Tao Li, Yingqi Gao, Kai Wang [et al.] // Information Sciences. 2019. Vol. 501. P. 511–522. DOI: 10.1016/j.ins.2019.06.011Li T, Gao Y, Wang K, Guo S, Liu H, Kang H. Diagnostic assessment of deep learning algorithms for diabetic retinopathy screening. Information Sciences. 2019;501:511–522. DOI: 10.1016/j.ins.2019.06.011Lundström C. Technical report: Measuring digital image quality. 2006. 15 p.Lundström C. Technical report: Measuring digital image quality. 2006. 15 p.Keelan B. Handbook of image quality: characterization and prediction / by Brian Keelan. CRC Press, 2002. 544 p. DOI: 10.1201/9780203910825.Keelan B. Handbook of image quality: characterization and prediction. CRC Press; 2002. 544 p. DOI: 10.1201/9780203910825Голуб Ю. И., Старовойтов В. В. Оценка качества цифровых изображений. Минск : ОИПИ НАН Беларуси, 2023. 252 с.Golub YI, Starovoitov VV. Image quality assessment. Minsk: OIPI NAN Belarus; 2023. 252 p. (In Russ.).Amin, J. A. Review on recent developments for detection of diabetic retinopathy / J. Amin, M. Sharif, M. Yasmin // Scientifica (Cairo). 2016. Vol. 2016 (6838976). DOI: 10.1155/2016/6838976Amin J, Sharif M, Yasmin M. Review on recent developments for detection of diabetic retinopathy. Scientifica (Cairo). 2016;2016:6838976. DOI: 10.1155/2016/6838976Raja, D. S. S. Performance analysis of retinal image blood vessel segmentation / D. S. S. Raja, S. Vasuki, D. R. Kumar // Advanced Computing: An international journal. 2014. Vol. 5, № 2/3. P. 17–23. DOI: 10.5121/acij.2014.5302Raja D.S.S. Vasuki S, Kumar DR. Performance analysis of retinal image blood vessel segmentation. Advanced Computing: An international journal. 2014;5(2/3):17–23. DOI: 10.5121/acij.2014.5302Long, S. Microaneurysms detection in color fundus images using machine learning based on directional local contrast / S. Long, J. Chen, A. Hu [et al.] // Biomedical engineering online. 2020. Vol. 19(21). DOI: 10.1186/s12938-020-00766-3Long S, Chen J, Hu A, Liu H, Chen Z, Zheng D. Microaneurysms detection in color fundus images using machine learning based on directional local contrast. Biomedical engineering online. 2020;19(21). DOI: 10.1186/s12938-020-00766-3Старовойтов, В. В. Оценка качества цифровых изображений сетчатки / В. В. Старовойтов, Ю. И. Голуб, М. М. Лукашевич // Системный анализ и прикладная информатика. 2021. № 4. С. 25–38.Starovoitov VV, Golub YuI, Lukashevich ММ. Digital fundus image quality assessment. System analysis and applied information science. 2021;4:25–38. (In Russ.).Starovoitov, V. A universal retinal image template for automated screening of diabetic retinopathy / V. V. Starovoitov, Yu. I. Golub, M. V. Lukashevich // Pattern Recognition and Image Analysis. 2022. Vol 32. P. 322–331. 10.1134/S1054661822020195Starovoitov VV, Golub YuI, Lukashevich ММ. A universal retinal image template for automated screening of diabetic retinopathy. Pattern Recognition and Image Analysis. 2022;32:322–331. DOI: 10.1134/S1054661822020195

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