本文的标题为“Quality assessment of Low-cost retinal Videos for Glaucoma screening”，由Solomon Gebru Abay等人撰写，发表在Procedia Computer Science期刊的第239卷，页面范围为1027-1034。文章探讨了使用低成本便携式眼底镜（D-Eye镜头）拍摄的视网膜视频在青光眼筛查中的自动质量评估方法。
一种低成本的智能手机兼容便携式眼底镜，它能够捕捉视网膜图像以筛查青光眼等眼科疾病。尽管这些图像的质量与分辨率低于标准视网膜摄影设备，但已足够用于青光眼筛查。为了提高检查的准确性，会拍摄小视频，但视频质量可能不足以进行筛查，导致患者需要重复检查。研究提出了一种自动评估使用D-Eye镜头拍摄视频质量的方法，并通过539个视频的个人数据集进行评估。该方法基于两种视网膜定位方法：圆霍夫变换（精度为78.12%）和YOLOv7（精度为99.78%），通过测量每个视频中高质量帧的数量，自动决定视频的质量。
![]()
文章首先指出，低成本的智能手机兼容便携式眼底镜能够捕捉患者视网膜的图像，用于筛查包括青光眼在内的多种眼科疾病。尽管这些图像的质量与分辨率低于标准视网膜摄影设备，但对于青光眼筛查来说已经足够。为了提高检查的准确性，会拍摄小视频，但视频质量可能不足以进行筛查，导致患者需要重复检查。因此，文章提出了一种自动评估使用D-Eye镜头拍摄视频质量的方法，并使用包含539个视频的个人数据集进行了评估。该方法基于两种视网膜定位方法：圆霍夫变换（Circle Hough Transform）方法和YOLOv7方法，通过测量每个视频中高质量帧的数量来自动决定视频的质量。引言部分
文章介绍了青光眼作为导致失明的第三大原因，强调了早期诊断和评估眼病进展的重要性。由于传统诊断方法需要高昂的设备成本和维护，因此在人口筛查中不切实际。因此，研究者探索了新的眼科设备，如低成本便携式眼底镜，这些设备虽然图像质量低于传统眼科眼底筛查相机，但具有便携性、非侵入性，并且能够将捕捉到的数据传输到其他设备。文章特别提到了D-Eye镜头，它是一种低成本的镜头，可以附加到智能手机上，无需扩瞳即可捕捉眼底图像。文章还提到了自动实时评估视频质量的重要性，以确保青光眼筛查的成功。方法论部分
文章详细描述了质量评估过程的流程，包括两个视网膜检测方法：传统的图像处理方法（圆霍夫变换）和基于深度学习的先进方法（YOLOv7）。研究使用了D-Eye私有数据集，包含539个低分辨率视网膜视频，这些视频来自288名40岁以上的患者，均在未扩瞳的情况下拍摄，并获得了他们的同意。数据集中的视频以每秒30帧、1080x1920的分辨率拍摄，持续时间约为15秒。为了训练和评估视网膜检测方法，75%的图像用于创建训练集，15%用于验证集，10%用于测试集。![]()
圆霍夫变换（CHT）方法
CHT方法用于提取图像中的圆形，这些圆形代表包含视网膜的部分。该方法首先提取红色通道，然后应用强度归一化，通过二值化图像创建边缘点，最后在霍夫参数空间中找到圆候选。使用OpenCV库的HoughCircles函数输出检测到的圆的坐标和半径，然后转换为包围圆的边界框。YOLOv7方法
YOLOv7应用了实时计算机视觉应用的最新技术——YOLO（You Only Look Once）算法。该模型预测对象的位置和类别，并围绕这些对象绘制边界框。对于该项目，YOLOv7网络在Google Colab上实现，总共进行了5个周期的训练。模型在置信度高于50%时输出每个图像的边界框。评估指标部分
文章使用了交并比（Intersection over Union, IoU）来衡量检测方法的性能。IoU评估了真实标签（Ground-Truth, GT）和预测标签（Predicted, PD）之间的重叠。此外，文章还使用了混淆矩阵来更好地理解模型的性能。混淆矩阵由真正例（True Positive, TP）、真负例（True Negative, TN）、假正例（False Positive, FP）和假负例（False Negative, FN）组成，这些在目标检测的上下文中是根据IoU的选定阈值α来确定的。文章采用了PASCAL VOC挑战中指定的性能参数，阈值α设置为0.5。文章还介绍了精确度（Precision）、召回率（Recall）和F1分数（F1 Score）等性能指标的计算方法。![]()
结果与讨论部分
文章分析了两种视网膜检测方法的混淆矩阵，并得出YOLOv7方法的结果远优于CHT方法。YOLOv7的精确度、召回率和F1分数接近100%，而CHT方法则在80%左右。CHT方法在图像质量低、视网膜与眼睛其余部分区分不明显的情况下检测失败。文章还讨论了如何根据两种方法的检测结果对视频质量进行分类，并提出了一个基于最小好质量帧数阈值的系统，用于自动分类视频质量并提示用户重新录制低质量视频。结论部分
![]()
文章总结了基于两种视网膜检测方法的实时低成本视网膜视频质量评估方法。该方法应用于包含539个视频的D-Eye数据集，并根据选定的阈值自动丢弃某些视频，提示用户重新录制。文章强调了确保D-Eye摄像机拍摄的视频质量对于成功进行青光眼筛查的重要性，并指出未来的工作可以通过获取标记数据来验证这项研究，并帮助决定评估视频是否被接受进入自动青光眼筛查流程的阈值。
致谢部分
文章最后感谢了葡萄牙资助机构FCT - Fundação para a Ciência e a Tecnologia通过项目LA/P/0063/2020提供的资助。参考文献部分
文章列出了相关的参考文献，包括关于青光眼检测、眼底图像质量评估、深度学习在眼科图像分析中的应用等方面的研究。这些文献为本文的研究提供了背景和支持。
