Fundus Quality Score (FQS)

Fundus Quality Score (FQS) 数据集由清华大学深圳国际研究生院和深圳眼科医院联合创建，包含2246张眼底图像，每张图像有两个标签：一个连续的平均意见分数（MOS）和一个三级质量标签。该数据集旨在评估眼底图像质量，涵盖了临床诊断中常见的降质类型。数据集的创建过程经过严格的标注流程，由经验丰富的眼科医生进行标注，确保了数据集的专业性和可用性。FQS数据集主要应用于眼底图像质量评估，旨在提高临床诊断的准确性和效率。The Fundus Quality Score (FQS) dataset was co-developed by Tsinghua University Shenzhen International Graduate School and Shenzhen Eye Hospital. It consists of 2246 fundus images, each annotated with two labels: a continuous Mean Opinion Score (MOS) and a three-level quality label. This dataset is designed for fundus image quality assessment and covers common degradation types frequently encountered in clinical practice. The dataset was built following a strict annotation workflow, with all annotations conducted by experienced ophthalmologists, ensuring its professionalism and usability. The FQS dataset is primarily applied to fundus image quality assessment, aiming to improve the accuracy and efficiency of clinical diagnosis.

搜集汇总

数据集介绍

构建方式

Fundus Quality Score (FQS)数据集的构建始于对大量眼底图像的精心筛选，最终选定了2246张具有典型退化或病理特征的图像。这些图像来自超过10,000个眼底实例，其中92%来自常规临床诊断，8%来自青少年近视筛查。数据集的收集过程得到了深圳眼科医院的批准和监督，确保了数据的专业性和可靠性。每张图像都附有两个标签：一个连续的平均意见分数（MOS），范围从0到100，以及一个三级的质量标签（‘Good’, ‘Reject’, ‘Usable’）。通过邀请三位资深眼科医生和三位初级眼科医生进行评分，并使用加权平均法计算最终的MOS，确保了标签的准确性和一致性。

特点

FQS数据集的一个显著特点是其包含了连续的MOS评分，这使得质量评估更加精细和准确。此外，数据集还提供了三级的质量标签，覆盖了从高质量到不可用的广泛范围。统计数据显示，MOS评分主要集中在60到80之间，这与实际临床经验相符，表明数据集在质量分布上具有代表性。数据集的另一个特点是其多样性，涵盖了眼底图像中常见的多种退化类型，如失焦模糊、运动模糊、伪影、过曝和过暗，这为算法训练提供了丰富的样本。

使用方法

FQS数据集主要用于眼底图像质量评估（FIQA）算法的开发和验证。研究人员可以使用该数据集训练和测试新的FIQA模型，特别是那些基于深度学习的方法。数据集的连续MOS评分和三级质量标签为模型提供了丰富的监督信息，有助于提高模型的准确性和鲁棒性。此外，数据集还可以用于评估现有FIQA方法的性能，通过比较不同算法在FQS上的表现，可以更好地理解各方法的优缺点。最终，FQS数据集的目标是推动FIQA技术的发展，提高眼底图像在临床诊断中的应用价值。

背景与挑战

背景概述

视网膜眼底图像在眼科疾病的诊断中被广泛应用，其图像质量直接影响诊断结果。然而，由于现有数据集和算法的不足，当前的视网膜图像质量评估（FIQA）方法无法满足眼科医生的需求。为此，清华大学深圳国际研究生院和深圳眼科医院的研究团队于2024年创建了Fundus Quality Score（FQS）数据集，该数据集包含2246张眼底图像，每张图像具有连续的平均意见分数（MOS）和三级别质量标签。FQS数据集的建立旨在解决现有FIQA方法在数据集和算法上的局限性，推动视网膜图像质量评估领域的发展。

当前挑战

FQS数据集在构建过程中面临多项挑战。首先，视网膜图像质量评估任务的复杂性要求数据集能够准确反映图像质量的细微差异，而非简单的分类任务。其次，数据集的标注需要考虑不同眼底区域对临床诊断的不同影响，例如视盘区域的质量对诊断的影响应大于边缘区域。此外，现有FIQA方法多依赖于私有数据集，缺乏公开的标准化基准，导致方法间的性能难以比较。FQS数据集通过引入连续的MOS评分和三级别分类标签，旨在解决这些挑战，但其标注过程和模型训练仍需进一步优化以提高评估的准确性和可靠性。

常用场景

经典使用场景

在眼科诊断领域，Fundus Quality Score (FQS) 数据集被广泛用于评估眼底图像的质量。该数据集包含2246张眼底图像，每张图像附有两个标签：一个连续的平均意见分数（MOS），范围从0到100，以及一个三级质量标签。通过使用FQS数据集，研究人员可以开发和验证基于深度学习的眼底图像质量评估算法，如FTHNet，该算法能够捕捉图像中的长程依赖关系，从而提供更为精确的质量评分。

实际应用

在实际应用中，FQS数据集和FTHNet模型在眼科诊断系统中展现了巨大的潜力。通过集成FTHNet，眼科医生可以在图像采集过程中实时评估图像质量，确保只有高质量的图像用于诊断。此外，该系统还可以与电子病历系统结合，自动筛选和标记低质量图像，减少医生的工作负担，提高诊断效率和准确性。这种自动化质量控制流程不仅提升了临床诊断的可靠性，还为大规模眼科筛查项目提供了技术支持。

衍生相关工作

FQS数据集的发布和FTHNet模型的提出，激发了眼底图像质量评估领域的多项相关研究。例如，基于FQS数据集，研究人员开发了多种改进的FIQA算法，探索了不同深度学习架构在眼底图像质量评估中的应用。此外，FTHNet的成功应用也启发了其他医学图像质量评估领域的研究，推动了跨学科的技术交流和创新。这些衍生工作不仅丰富了FIQA领域的理论基础，也为实际临床应用提供了更多可能性。