EFIQA: Explainable Fundus Image Quality Assessment via Anatomical Priors

Technische Samenvatting: EFIQA – Uitlegbare Kwaliteitsbeoordeling van Fundusbeelden via Anatomische Priors

Probleemstelling
Medische beeldkwaliteitsbeoordeling (IQA) is cruciaal voor downstream klinische toepassingen en AI-preverwerkingspipelines. De huidige state-of-the-art methoden voor Kleurfundusfotografie (CFP) zijn voornamelijk gesuperviseerde classificaties die getraind zijn op datasetspecifieke kwaliteitslabels. Deze aanpak lijdt onder twee fundamentele beperkingen:

1. Gebrek aan Generalisatie: Kwaliteitsdefinities zijn subjectief en taakafhankelijk (bijv. een onderbelichte macula kan acceptabel zijn voor glaucoomscreening maar kritiek voor AMD-screening). Modellen die getraind zijn op specifieke etiketteringscriteria falen bij het generaliseren naar datasets met andere criteria of acquisitiecondities.
2. Gebrek aan Uitlegbaarheid: Bestaande methoden geven een enkele beeldniveau-score of klasse uit, zonder ruimtelijke feedback over waar de kwaliteit verslechterd is. Post-hoc attributiemethoden (zoals GradCAM) activeren vaak op discriminerende regio's in plaats van op degradatieregio's en missen een precieze, gegronde klinische betekenis.

Methodologie: EFIQA-framework
De auteurs stellen EFIQA voor, een framework dat de kwaliteit van fundusbeelden beoordeelt door afwijkingen van verwachte anatomische structuren te meten, in plaats van te leren "hoe degradatie eruit ziet" van menselijke labels. De aanpak is labelvrij wat betreft kwaliteitsupervisie en werkt in twee stadia:

1. Stadium 1: Ongesuperviseerde Vaatdetectie (Vessel Unsupervised Anomaly Detection - VUAD)

   • Doel: Een ongesuperviseerde anomaliedetector trainen om de topologie van de retina-vasculatuur te leren, een universele anatomische structuur die zeer gevoelig is voor veelvoorkomende beelddegradaties.
   • Mechanisme: Het model wordt getraind op vaatsegmentatiekaarten afgeleid van hoogwaardige beelden met behulp van een masked anatomical inpainting doelstelling.
   • Progressieve Relaxatie: Om "identiteitsinstorting" (waarbij het model simpelweg niet-gemaskeerde pixels kopieert) te voorkomen, wordt een progressieve maskeringstrategie toegepast. De training begint met hoge maskeringratio's ($\gamma \in [0.8, 1.0]$) om structurele leerprocessen te forceren, en breidt vervolgens lineair uit naar $\gamma \in [0.0, 1.0]$.
   • Output: Het netwerk voorspelt het residu (de ontbrekende structuur) voor een gegeven input. De grootte van dit residu vormt een anomaliekaart, die regio's markeert waar de anatomische zichtbaarheid is aangetast (bijv. ontbrekende of onscherpe vaten).

2. Stadium 2: Distillatie naar een Foundation Model Adapter

   • Doel: De anatomische voorkennis van het VUAD-model distilleren naar een lichtgewicht adapter die opereert op kenmerken van een bevroren Vision Foundation Model (FM). Dit verbetert de generalisatie en vermindert de afhankelijkheid van de tussenliggende vaatsegmentatiestap tijdens de inferentie.
   • Mechanisme:
     • Een bevroren FM extraheert dichte patch-niveau kenmerken ($Z$) uit het invoerfundusbeeld.
     • Het VUAD-model genereert pseudo-labels (binaire anomaliekaarten) voor een dataset met gemengde kwaliteit.
     • Een leerbare adapter ($g_\psi$) wordt getraind om deze pseudo-labels te voorspellen vanuit de FM-kenmerken met behulp van een class-gebalanceerde Binary Cross-Entropy (BCE) loss.
   • Inferentie: De adapter produceert een patch-niveau kwaliteitskaart ($Q$). Deze kaart kan worden geaggregeerd via een lichtgewicht lineaire poolinglaag om een beeldniveau-score te genereren of kan direct worden gebruikt voor ruimtelijke lokalisatie.

Belangrijkste Bijdragen

1. Nieuwe Inkadering: De auteurs herformuleren IQA als een afwijking van de verwachte anatomische verschijning, waardoor de taak wordt gegrond in objectieve anatomie in plaats van subjectieve labels.
2. Labelvrije, Uitlegbare Aanpak: EFIQA vereist geen expliciete kwaliteitsgerelateerde supervisie (handmatige labels of synthetische degradatie) en produceert ruimtelijke kwaliteitskaarten door ontwerp.
3. Twee-staps Architectuur: De combinatie van een ongesuperviseerd vaatreconstructienetwerk en een distillatieproces naar een foundation model adapter maakt robuuste, generaliseerbare prestaties mogelijk.
4. Superieure Generalisatie: Externe evaluaties tonen aan dat deze aanpak andere gesuperviseerde methoden overtreft op verschillende benchmarks met variërende kwaliteitscriteria.

Experimentele Resultaten
De methode werd geëvalueerd op vier publieke datasets (MSHF, mBRSET, DRIMDB, EyeQ) en een interne dataset, waarbij het werd vergeleken met gesuperviseerde fundus-specifieke methoden (bijv. MCF-Net, FGR-Net), algemene gesuperviseerde IQA-methoden (MANIQA, TOPIQ) en ongesuperviseerde baselines (NIQE, IL-NIQE).

• Externe Datasets (MSHF, DRIMDB, mBRSET): EFIQA behaalde de beste gemiddelde prestaties over alle metrieken (Balanced Accuracy, F1, MCC, AUROC, AUPRC). Opvallend genoeg behaalde het een Matthews Correlation Coefficient (MCC) van 73,14%, waarmee het de op één na beste gesuperviseerde methode (FGR-Net, 69,71%) versloeg. Het demonstreerde robuustheid, zelfs op de uitdagende mBRSET-dataset, waar andere methoden moeite hadden met de klassenonbalans.
• EyeQ Benchmark: EFIQA behaalde een concurrerende nauwkeurigheid (87,55%), iets lager dan volledig gesuperviseerde modellen die end-to-end op EyeQ zijn getraind (bijv. FGR-Net met 89,58%), maar presteerde beter dan andere aangepaste methoden zoals TOPIQ en ARNIQA. Cruciaal is dat het de enige methode in deze vergelijking is die een precieze kwaliteitskaart biedt.
• Kwalitatieve Analyse: Visualisaties laten zien dat EFIQA stabiele, lage scores produceert voor hoogwaardige beelden en accuraat gedegradeerde regio's lokaliseert (bijv. verlichtingsartefacten, onscherpte) in kwalitatief minder goede beelden. In contrast hiermee produceren de VUAD alleen soms gemiste gedegradeerde gebieden waar vaten wel zichtbaar maar onscherp zijn, en bieden gesuperviseerde methoden zoals MCF-Net vaak grove, verspreide activaties.
• Ablatieonderzoek: De studie bevestigde dat hoewel eenvoudige vaatdensiteit een sterke baseline is, het VUAD-model uitlegbaarheid toevoegt (lokale kaarten) tegen een kleine kostenpost voor de ruwe prestaties, die volledig wordt teruggewonnen en verbeterd door de distillatiestap.

Betekenis en Claims
Het artikel beweert dat EFIQA een generaliseerbaar en uitlegbaar alternatief biedt voor black-box gesuperviseerde IQA. Door gebruik te maken van anatomische priors, vermijdt het framework de broosheid die geassocieerd wordt met verschuivende etiketteringscriteria. De auteurs benadrukken dat, hoewel de methode lokale ernstscores levert, deze is ontworpen om aanpasbaar te zijn aan specifieke klinische criteria met minimale afstemming.

De auteurs merken beperkingen op, specifiek dat het gebruik van vaten als enige prior kan leiden tot foutieve activaties in van nature vaatarme regio's (bijv. de fovea) of ischemische laesies. Zij suggereren dat toekomstig werk aanvullende anatomische priors (macula, optische discus) of pathologische structuren zou kunnen integreren om de specificiteit te verbeteren. Het artikel concludeert dat dit framework toepasbaar is op elk beeldscenario waarbij anatomische zichtbaarheid de kwaliteit bepaalt, zoals OCT-retinale lagen of landmarks in thoraxradiografie.