Объективная оценка качества цифровых изображений сетчатки при скрининговом исследовании

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.

1. Curran, 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/s12961-022-00940-0

2. Nørgaard, 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: 10.1159/000486284

3. Павлов, 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/oftalma2020136042300

4. Avidor, 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/s12962-020-00211-1

5. Tung, 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.je2007439

6. Biswas, 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/life12070973

7. Guo, 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: 10.1177/20552076231207582

8. 1000 Fundus images with 39 categories. URL: https://www.kaggle.com/datasets/linchundan/fundusimage1000/data (дата обращения: 19.05.2025).

9. 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.2019.06.011

10. Lundström C. Technical report: Measuring digital image quality. 2006. 15 p.

11. Keelan B. Handbook of image quality: characterization and prediction / by Brian Keelan. CRC Press, 2002. 544 p. DOI: 10.1201/9780203910825.

12. Голуб Ю. И., Старовойтов В. В. Оценка качества цифровых изображений. Минск : ОИПИ НАН Беларуси, 2023. 252 с.

13. 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: 10.1155/2016/6838976

14. Raja, 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.2014.5302

15. Long, 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/s12938-020-00766-3

16. Старовойтов, 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.

17. 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/S1054661822020195