UNO-QA: An Unsupervised Anomaly-Aware Framework with Test-Time Clustering for OCTA Image Quality Assessment

要約

医用画像品質評価 (MIQA) は、さまざまな医用画像解析アプリケーションにおける重要な前提条件です。
ほとんどの既存の MIQA アルゴリズムは完全に監視されており、大量の注釈付きデータを要求します。
ただし、医療画像に注釈を付けるには、時間と労力がかかります。
このホワイトペーパーでは、トレーニングフェーズで高品質のサンプルのセットのみにアクセスできる設定で、光コヒーレンストモグラフィー血管造影法（OCTA）の画質評価のためのテスト時間クラスタリングを使用した、教師なしの異常認識フレームワークを提案します。
具体的には、OCTA 画像の品質を定量化し、優れた品質と優れていない品質を区別するために、機能埋め込みベースの低品質表現モジュールが提案されています。
優れていない品質クラス内で、グレーディング可能な画像とグレーディング不可能な画像をさらに区別するために、トレーニング済みの OCTA 品質表現ネットワークによって抽出されたマルチスケール画像特徴の次元削減とクラスタリングを実行します。
公開されている 1 つのデータセット sOCTA-3*3-10k に対して広範な実験が行われ、提案されたフレームワークの優位性が確立されました。

要約(オリジナル)

Medical image quality assessment (MIQA) is a vital prerequisite in various medical image analysis applications. Most existing MIQA algorithms are fully supervised that request a large amount of annotated data. However, annotating medical images is time-consuming and labor-intensive. In this paper, we propose an unsupervised anomaly-aware framework with test-time clustering for optical coherence tomography angiography (OCTA) image quality assessment in a setting wherein only a set of high-quality samples are accessible in the training phase. Specifically, a feature-embedding-based low-quality representation module is proposed to quantify the quality of OCTA images and then to discriminate between outstanding quality and non-outstanding quality. Within the non-outstanding quality class, to further distinguish gradable images from ungradable ones, we perform dimension reduction and clustering of multi-scale image features extracted by the trained OCTA quality representation network. Extensive experiments are conducted on one publicly accessible dataset sOCTA-3*3-10k, with superiority of our proposed framework being successfully established.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google