[论文解读] Improved Microaneurysm Detection using Deep Neural Networks

Mrinal Haloi|arXiv (Cornell University)|May 17, 2015

Retinal Imaging and Analysis参考文献 15被引用 98

一句话总结

本文提出了一种基于深度学习的端到端像素级微动脉瘤（MA）检测方法，采用带有Dropout和Maxout激活函数的深度神经网络，无需预处理或人工特征工程。该方法在ROC和Diaretdb1v2数据集上实现了97%的敏感度和95%的特异度，达到当前最先进水平，显著降低了早期糖尿病视网膜病变筛查中的假阳性率。

ABSTRACT

In this work, we propose a novel microaneurysm (MA) detection for early diabetic retinopathy screening using color fundus images. Since MA usually the first lesions to appear as an indicator of diabetic retinopathy, accurate detection of MA is necessary for treatment. Each pixel of the image is classified as either MA or non-MA using a deep neural network with dropout training procedure using maxout activation function. No preprocessing step or manual feature extraction is required. Substantial improvements over standard MA detection method based on the pipeline of preprocessing, feature extraction, classification followed by post processing is achieved. The presented method is evaluated in publicly available Retinopathy Online Challenge (ROC) and Diaretdb1v2 database and achieved state-of-the-art accuracy.

研究动机与目标

• 开发一种自动化、准确且鲁棒的微动脉瘤检测系统，用于早期糖尿病视网膜病变筛查。
• 克服传统流程中涉及预处理、特征提取和后处理的局限性。
• 在光照变化、对比度变化以及血管伪影等挑战性条件下提升检测性能。
• 在真实眼底图像中实现高敏感度和特异度，同时将假阳性数量降至最低。
• 通过采用像素级分类方法，消除对血管结构、视盘或黄斑区检测的依赖。

提出的方法

• 使用以像素为中心的129×129 RGB窗口，训练一个包含五个隐藏层和一个Softmax输出层的深度神经网络（DNN），对每个像素进行微动脉瘤或非微动脉瘤的分类。
• 应用聚焦（foveation）和非均匀采样，以抑制邻近像素的影响，从而增强对孤立微动脉瘤的检测能力。
• 采用Dropout正则化和Maxout激活函数，以提高泛化能力并减少过拟合。
• 为每张图像生成一个概率图，其中每个像素被赋予其为MA的可能性。
• 后处理阶段应用凸性与面积阈值（面积 ≤ 21 且凸性 ≥ 0.8）以过滤掉来自血管、分叉处及出血灶的假阳性结果。
• 通过水平镜像处理图像边界，以提取完整窗口的特征。

实验结果

研究问题

• RQ1 深度学习模型是否能够在不依赖预处理或手工设计特征的情况下，实现更优的微动脉瘤检测精度？
• RQ2 在光照和对比度变化条件下，所提出方法在微动脉瘤检测中的表现如何？
• RQ3 聚焦与非均匀采样在提升孤立微动脉瘤检测能力方面，其改善程度如何？
• RQ4 与现有最先进方法相比，该模型在敏感度、特异度和假阳性率方面的表现如何？
• RQ5 该模型在ROC、Diaretdb1v2和Messidor等多样化数据集上是否具备良好的泛化能力？

主要发现

• 在Retinopathy Online Challenge（ROC）数据集上，该方法实现了97%的敏感度和95%的特异度，优于现有方法。
• 在Diaretdb1v2数据集上，该方法AUC达到0.988，展现出当前最先进性能。
• 与其他系统相比，该方法显著降低了假阳性率，如敏感度与每幅图像平均假阳性像素数的对比图所示。
• 在Messidor数据集中，该方法在R0与R1场景下实现了95.4%的准确率，敏感度为97%，特异度为94%。
• 在Messidor的No DR与DR场景中，该方法实现了96%的准确率、97%的敏感度和96%的特异度。
• 在ROC数据集的一个子集上（因缺乏测试标签），该方法AUC达到0.98，超过人类专家（AUC 0.96）及其他自动化系统。