[论文解读] A Benchmark of Ocular Disease Intelligent Recognition: One Shot for Multi-disease Detection

Ning Li, Tao Li+3 more|arXiv (Cornell University)|Feb 16, 2021

Retinal Imaging and Analysis参考文献 29被引用 12

一句话总结

本文提出了OIA-ODIR，一个包含10,000张来自5,000名患者的双目眼底图像的基准数据集，对8种眼病进行了标注，支持零样本多疾病检测。实验表明，单纯增加网络深度并不能提升性能，但经过良好设计的特征融合以及更宽或集成的网络可显著提高多疾病分类的准确率。

ABSTRACT

In ophthalmology, early fundus screening is an economic and effective way to prevent blindness caused by ophthalmic diseases. Clinically, due to the lack of medical resources, manual diagnosis is time-consuming and may delay the condition. With the development of deep learning, some researches on ophthalmic diseases have achieved good results, however, most of them are just based on one disease. During fundus screening, ophthalmologists usually give diagnoses of multi-disease on binocular fundus image, so we release a dataset with 8 diseases to meet the real medical scene, which contains 10,000 fundus images from both eyes of 5,000 patients. We did some benchmark experiments on it through some state-of-the-art deep neural networks. We found simply increasing the scale of network cannot bring good results for multi-disease classification, and a well-structured feature fusion method combines characteristics of multi-disease is needed. Through this work, we hope to advance the research of related fields.

研究动机与目标

• 为临床人工智能研究解决缺乏大规模、多疾病、双目眼底图像数据集的问题。
• 实现在眼底筛查中端到端的多疾病分类，反映实际眼科实践中双侧眼睛均被检查的临床实践。
• 建立用于评估深度学习模型在多疾病眼底图像分类任务上表现的基准。
• 识别超越简单网络扩展的架构与特征融合策略，以提升性能。

提出的方法

• 作者收集并标注了来自5,000名患者的10,000张眼底图像，包含左右眼图像。
• 每张图像均标注最多8种眼病，包括糖尿病视网膜病变、青光眼、白内障和年龄相关性黄斑变性。
• 该数据集支持多标签分类，真实反映多种病理共存的临床现实。
• 在数据集上评估了九种最先进的深度神经网络，包括ResNet、DenseNet和EfficientNet变体。
• 设计了一种特征融合策略，以整合不同网络分支中的多疾病特征。
• 比较了不同网络深度、宽度及集成方法的性能，以识别最优架构。

实验结果

研究问题

• RQ1 深度学习模型能否在双目眼底图像上有效实现一次完成的多疾病检测？
• RQ2 单纯增加网络深度是否能提升多疾病眼底分类的性能？
• RQ3 在多个疾病特异性表征之间进行特征融合如何影响分类准确率？
• RQ4 在该多疾病基准上，架构选择——深度、宽度或集成策略——哪种能获得最佳性能？
• RQ5 数据不平衡与类内多样性如何影响模型在真实世界眼底图像上的泛化能力？

主要发现

• 单纯增加神经网络的深度并不能提升多疾病眼底分类的性能。
• 增加网络宽度或使用集成模型可显著提高分类准确率。
• 一种结构良好、能整合多疾病特征的特征融合机制对实现高性能至关重要。
• OIA-ODIR数据集揭示了由于成像条件和疾病表现差异导致的显著类内差异。
• 数据不平衡仍是挑战，尤其对罕见疾病而言，会影响模型泛化能力。
• 该数据集支持新应用，如年龄预测、图像字幕生成，以及与图神经网络结合实现多模态诊断。