[论文解读] Deep Learning on Retina Images as Screening Tool for Diagnostic Decision Support

Maria Camila Alvarez Trivino, Jeremie Despraz+2 more|arXiv (Cornell University)|Jul 24, 2018

Retinal Imaging and Analysis被引用 6

一句话总结

本研究开发了一种基于卷积神经网络（CNN）的深度学习系统，用于从视网膜图像中检测糖尿病性视网膜病变，利用来自EyePACS数据集的预处理图像。该模型在测试数据上与专家诊断的符合率达到76.73%，展示了其作为诊断决策支持筛查工具的潜力。

ABSTRACT

In this project, we developed a deep learning system applied to human retina images for medical diagnostic decision support. The retina images were provided by EyePACS. These images were used in the framework of a Kaggle contest, whose purpose to identify diabetic retinopathy signs through an automatic detection system. Using as inspiration one of the solutions proposed in the contest, we implemented a model that successfully detects diabetic retinopathy from retina images. After a carefully designed preprocessing, the images were used as input to a deep convolutional neural network (CNN). The CNN performed a feature extraction process followed by a classification stage, which allowed the system to differentiate between healthy and ill patients using five categories. Our model was able to identify diabetic retinopathy in the patients with an agreement rate of 76.73% with respect to the medical expert's labels for the test data.

研究动机与目标

• 开发一种基于深度学习的系统，用于自动检测视网膜图像中的糖尿病性视网膜病变。
• 评估CNN模型在视网膜图像上用于诊断决策支持的性能。
• 利用人工智能提高早期糖尿病性视网膜病变筛查的可及性。
• 通过迁移学习方法实现与医学专家标签的高度一致。

提出的方法

• 该模型使用深度卷积神经网络（CNN）从预处理的视网膜图像中提取特征。
• 图像来自EyePACS数据集，并用于Kaggle竞赛中糖尿病性视网膜病变检测的场景。
• 精心设计了预处理流程，以在输入CNN之前提升图像质量和一致性。
• CNN对五个类别进行分类：无糖尿病性视网膜病变、轻度、中度、重度和增殖性视网膜病变。
• 系统使用医学专家提供的标签进行训练和评估。
• 通过与专家标注标签的一致率来衡量模型性能。

实验结果

研究问题

• RQ1 深度学习模型能否在从视网膜图像检测糖尿病性视网膜病变时与医学专家达成高度一致？
• RQ2 基于CNN的方法在从眼底图像分类糖尿病性视网膜病变的多个阶段方面有多高效？
• RQ3 预处理在多大程度上能提升深度学习系统在视网膜图像筛查中的性能？
• RQ4 基于迁移学习的模型能否作为临床决策支持中的可靠筛查工具？

主要发现

• 该深度学习模型在测试集上与医学专家标签的符合率达到76.73%，表明其具有出色的诊断一致性。
• 该系统成功区分了从无疾病到增殖性视网膜病变的五个阶段。
• 预处理在提升图像质量并改善模型泛化能力方面起到了关键作用。
• 该模型展示了利用公开可用的视网膜图像进行糖尿病性视网膜病变筛查的可行性。