[论文解读] Automated Diabetic Retinopathy Grading using Deep Convolutional Neural Network

Saket S. Chaturvedi, Kajol Gupta+2 more|arXiv (Cornell University)|Apr 14, 2020

Retinal Imaging and Analysis被引用 15

一句话总结

本文提出了一种改进的DenseNet121架构，用于使用APTOS 2019数据集中的眼底图像实现糖尿病视网膜病变（DR）的自动分级。在多标签分类中达到96.51%的准确率，在单类分类中达到94.44%的准确率，同时具备高精确率（86%）、召回率（87%）、F1得分（86%）和加权 quadratic kappa（91.96%），在早期阶段DR检测中表现出色。

ABSTRACT

Diabetic Retinopathy is a global health problem, influences 100 million individuals worldwide, and in the next few decades, these incidences are expected to reach epidemic proportions. Diabetic Retinopathy is a subtle eye disease that can cause sudden, irreversible vision loss. The early-stage Diabetic Retinopathy diagnosis can be challenging for human experts, considering the visual complexity of fundus photography retinal images. However, Early Stage detection of Diabetic Retinopathy can significantly alter the severe vision loss problem. The competence of computer-aided detection systems to accurately detect the Diabetic Retinopathy had popularized them among researchers. In this study, we have utilized a pre-trained DenseNet121 network with several modifications and trained on APTOS 2019 dataset. The proposed method outperformed other state-of-the-art networks in early-stage detection and achieved 96.51% accuracy in severity grading of Diabetic Retinopathy for multi-label classification and achieved 94.44% accuracy for single-class classification method. Moreover, the precision, recall, f1-score, and quadratic weighted kappa for our network was reported as 86%, 87%, 86%, and 91.96%, respectively. Our proposed architecture is simultaneously very simple, accurate, and efficient concerning computational time and space.

研究动机与目标

• 为应对全球影响一亿人的糖尿病视网膜病变这一细微且威胁视力的疾病，解决其早期检测的挑战。
• 通过深度学习提升计算机辅助检测系统在DR检测中的准确率和效率。
• 开发一种在早期DR分类中表现稳健的模型，因为人类诊断在视觉复杂性方面尤其困难。
• 评估改进的DenseNet121模型在APTOS 2019眼底图像数据集上进行多标签和单类DR严重程度分级的性能。

提出的方法

• 在包含按DR严重程度阶段标注的眼底图像的APTOS 2019数据集上，对预训练的DenseNet121模型进行微调。
• 通过架构调整改进模型，以增强DR分级的特征学习和分类性能。
• 通过将每个严重程度阶段视为二分类任务，实现多标签分类。
• 采用标准交叉熵损失函数，对五个DR严重程度等级进行端到端训练，实现单类分类。
• 训练过程中采用迁移学习和数据增强技术，以提高泛化能力并减少过拟合。
• 使用标准指标（包括准确率、精确率、召回率、F1得分和加权二次kappa）评估模型性能。

实验结果

研究问题

• RQ1 改进的DenseNet121模型在APTOS 2019数据集上是否能实现优于当前最先进模型的自动化糖尿病视网膜病变分级性能？
• RQ2 该模型在区分早期糖尿病视网膜病变方面表现如何，而这一阶段对人类专家而言尤其具有挑战性？
• RQ3 在使用深度学习进行DR严重程度分级时，多标签分类与单类分类策略的相对有效性如何？
• RQ4 所提出的方法在临床级DR筛查中，在准确率、计算效率和模型简洁性之间达到多大程度的平衡？

主要发现

• 所提方法在APTOS 2019数据集上对糖尿病视网膜病变严重程度分级的多标签分类中达到96.51%的准确率。
• 在单类分类中达到94.44%的准确率，表明在所有五个DR严重程度等级中均表现优异。
• 模型的精确率为86%，召回率为87%，F1得分为86%，表明正负样本预测性能均衡。
• 加权二次kappa得分达到91.96%，反映出与专家标注标签高度一致，严重程度估计具有高度可靠性。
• 该架构计算效率高，实现了高准确率与低资源消耗之间的良好平衡。
• 该模型在早期DR检测中优于其他最先进神经网络，凸显其临床潜力。