[论文解读] Multi-Context Deep Network for Angle-Closure Glaucoma Screening in Anterior Segment OCT

Huazhu Fu, Yanwu Xu+6 more|arXiv (Cornell University)|Sep 10, 2018

Retinal Imaging and Analysis参考文献 14被引用 12

一句话总结

该论文提出了一种多上下文深度网络（MCDN）用于前段OCT（AS-OCT）图像中的闭角型青光眼筛查，通过利用临床先验知识，从多个解剖学相关区域并行提取判别性特征。该方法在大规模AS-OCT数据集上实现了0.9456的AUC，优于以往基于临床参数、视觉特征和深度学习的方法，通过融合区域特定表征与估计的临床参数，显著提升了性能。

ABSTRACT

A major cause of irreversible visual impairment is angle-closure glaucoma, which can be screened through imagery from Anterior Segment Optical Coherence Tomography (AS-OCT). Previous computational diagnostic techniques address this screening problem by extracting specific clinical measurements or handcrafted visual features from the images for classification. In this paper, we instead propose to learn from training data a discriminative representation that may capture subtle visual cues not modeled by predefined features. Based on clinical priors, we formulate this learning with a presented Multi-Context Deep Network (MCDN) architecture, in which parallel Convolutional Neural Networks are applied to particular image regions and at corresponding scales known to be informative for clinically diagnosing angle-closure glaucoma. The output feature maps of the parallel streams are merged into a classification layer to produce the deep screening result. Moreover, we incorporate estimated clinical parameters to further enhance performance. On a clinical AS-OCT dataset, our system is validated through comparisons to previous screening methods.

研究动机与目标

• 开发一种基于深度学习的自动化方法，用于AS-OCT图像中的闭角型青光眼筛查，以捕捉传统手工特征之外的细微病理线索。
• 将临床先验知识——特别是解剖学上有信息量的区域与尺度——整合到深度网络架构中，以提升诊断表征学习的效果。
• 通过基于强度的数据增强方法，提升模型对成像设备差异的鲁棒性。
• 证明融合深度学习特征与估计的临床参数可进一步提升筛查性能。
• 在包含8,270张图像的大型、受试者均衡的AS-OCT数据集上验证该方法。

提出的方法

• MCDN架构采用两条并行的卷积神经网络流：一条处理全局AS-OCT图像块，另一条专注于高分辨率的局部、临床上相关的区域（如前房角）。
• 每条流分别从其对应的输入区域学习判别性特征，其中全局流处理120×120的图像块，局部流则处理以ACA为中心的更小、细节更丰富的区域。
• 将两条流的特征图拼接后输入分类层，生成最终的筛查概率。
• 模型通过预训练的VGG-16网络进行微调，并使用交叉熵损失端到端训练。
• 应用基于强度的数据增强方法，以模拟不同AS-OCT成像设备之间的差异，提升泛化能力。
• 通过分割方法估计临床参数（如ACA角度测量值），并将这些参数与深度特征通过平均其预测概率的方式进行融合。

实验结果

研究问题

• RQ1 专注于AS-OCT图像中多个解剖学上下文的深度学习模型，是否能优于基于手工特征或全局图像分析的传统方法？
• RQ2 整合临床先验知识（如已知的信息丰富区域与尺度）是否能提升深度特征在闭角型青光眼筛查中的判别能力？
• RQ3 基于强度的数据增强在多大程度上可缓解AS-OCT中因设备间成像差异导致的性能下降？
• RQ4 将深度学习预测结果与估计的临床参数融合，是否能进一步提升筛查准确性，相比单独使用任一模态？
• RQ5 在大型临床数据集上，所提出的MCDN架构与当前最先进的深度学习模型相比，在AUC、敏感性和特异性方面表现如何？

主要发现

• 所提出的MCDN实现了0.9456的AUC，显著优于次优方法（多列深度模型）的0.9312 AUC。
• 该方法实现了0.8926的平衡准确率，敏感性为88.89%，特异性为89.63%，表现出高度的诊断可靠性。
• 将深度特征与临床参数融合后，AUC从0.9305（全局+局部）提升至0.9456，证实了临床知识的互补价值。
• 仅使用局部区域流的模型AUC达到0.9208，优于基于视觉特征的方法（0.9248 AUC），表明针对特定区域的深度特征比HOG特征更具有效性。
• 仅使用全局图像流的模型表现较差（AUC为0.8941），表明采用标准下采样进行全图处理会损失关键的判别性细节。
• 该系统在单张GPU上每张图像处理耗时500毫秒，具备临床部署的可行性。