[论文解读] A Deep Learning based Joint Segmentation and Classification Framework for Glaucoma Assesment in Retinal Color Fundus Images

Arunava Chakravarty, Jayanthi Sivaswamy|arXiv (Cornell University)|Jul 29, 2018

Retinal Imaging and Analysis参考文献 11被引用 15

一句话总结

本文提出了一种轻量级多任务深度卷积神经网络，可联合分割视网膜彩色眼底图像中的视盘（OD）和视杯（OC），并分类青光眼。通过在分割与分类任务之间共享特征，并结合外观与结构特征，该模型实现了高精度——视盘的Dice分数为0.92，视杯为0.84，青光眼分类的AUC为0.95，展现出在不同成像设备和小数据集上的强大泛化能力。

ABSTRACT

Automated Computer Aided diagnostic tools can be used for the early detection of glaucoma to prevent irreversible vision loss. In this work, we present a Multi-task Convolutional Neural Network (CNN) that jointly segments the Optic Disc (OD), Optic Cup (OC) and predicts the presence of glaucoma in color fundus images. The CNN utilizes a combination of image appearance features and structural features obtained from the OD-OC segmentation to obtain a robust prediction. The use of fewer network parameters and the sharing of the CNN features for multiple related tasks ensures the good generalizability of the architecture, allowing it to be trained on small training sets. The cross-testing performance of the proposed method on an independent validation set acquired using a different camera and image resolution was found to be good with an average dice score of 0.92 for OD, 0.84 for OC and AUC of 0.95 on the task of glaucoma classification illustrating its potential as a mass screening tool for the early detection of glaucoma.

研究动机与目标

• 开发一种统一的深度学习框架，可同时在彩色眼底图像中分割视网膜视盘和视杯，并分类青光眼。
• 通过在多个相关任务之间共享卷积特征，提升泛化能力并减少过拟合。
• 结合图像外观特征与来自视盘-视杯分割的结构特征，实现更鲁棒的青光眼分类。
• 通过最小化网络参数并利用特征共享，确保在小数据集上的性能表现。
• 评估模型在不同成像设备和分辨率下的鲁棒性，模拟真实世界筛查条件。

提出的方法

• 采用类似U-Net的编码器-解码器架构并结合跳跃连接，实现视盘和视杯的联合分割。
• 输入为通过强度阈值和霍夫变换在视盘周围裁剪出的感兴趣区域（ROI），以降低计算负载。
• 通过椭圆拟合对分割输出进行优化，以提高视盘边界精度。
• 使用共享的编码器特征图提取外观与结构特征：128通道的特征图经3×3卷积层处理，而2通道的视盘-视杯掩码则通过连续的3×3卷积层（步长为2）处理，以提取高层结构特征。
• 分类头通过全连接层融合这些特征，以预测青光眼的存在。
• 在400张图像的训练集（360张正常，40张青光眼）上执行四折交叉验证，且将所有四个训练模型在外部验证集上的预测结果取平均。

实验结果

研究问题

• RQ1 单一多任务CNN架构能否在提升泛化能力的前提下，联合执行视盘和视杯分割以及青光眼分类？
• RQ2 在共享CNN框架内同时结合外观与结构特征，是否相比单独使用任一特征能提升分类鲁棒性？
• RQ3 当在不同相机和分辨率下获取的图像上测试时，该模型表现如何，以体现其在真实世界中的可部署性？
• RQ4 一个小型、参数高效的网络是否能在不发生过拟合的情况下，于小数据集上实现最先进性能？
• RQ5 任务间特征共享在多大程度上提升了模型性能与泛化能力？

主要发现

• 在交叉验证集上，视盘分割的平均Dice分数为0.96 ± 0.07，视杯分割为0.86 ± 0.09。
• 在独立的外部验证集（使用不同相机和分辨率获取）上，模型保持了高性能，视盘Dice分数为0.92，视杯为0.84。
• 在交叉验证集上，青光眼分类的AUC为0.96，在外部验证集上为0.95，表明诊断性能出色。
• 模型在训练集与交叉测试集之间性能下降极小，表明其在不同成像设备和分辨率下具有高度鲁棒性。
• 模型仅含609,170个参数，远小于当前最先进架构（如DENet），因此可在数据有限的情况下训练而不会发生过拟合。
• 在CNN框架内整合外观与结构特征，显著提升了分类的鲁棒性与泛化能力。