[论文解读] Application of Deep Learning in Fundus Image Processing for Ophthalmic Diagnosis -- A Review

Sourya Sengupta, Amitojdeep Singh+3 more|arXiv (Cornell University)|Dec 9, 2018

Retinal Imaging and Analysis参考文献 126被引用 33

一句话总结

本综述评估了深度学习在眼科学诊断中视网膜眼底图像分析的应用，重点关注视网膜结构与疾病（如糖尿病性视网膜病变、青光眼和年龄相关性黄斑变性）的分割与分类。结果表明，与传统方法相比，深度学习模型（尤其是卷积神经网络）在准确性和特征学习方面表现更优，在多个数据集上均达到最先进性能。

ABSTRACT

An overview of the applications of deep learning in ophthalmic diagnosis using retinal fundus images is presented. We also review various retinal image datasets that can be used for deep learning purposes. Applications of deep learning for segmentation of optic disk, blood vessels and retinal layer as well as detection of lesions are reviewed. Recent deep learning models for classification of diseases such as age-related macular degeneration, glaucoma,diabetic macular edema and diabetic retinopathy are also reported.

研究动机与目标

• 系统性回顾深度学习在视网膜眼底图像处理中用于诊断主要眼病的应用。
• 识别并分析用于视网膜图像分割与分类任务的最先进深度学习架构。
• 评估深度学习模型相较于传统机器学习方法在眼科学诊断中的性能表现。
• 突出该领域中数据稀缺、领域偏移以及缺乏标准化性能指标等挑战。
• 提出未来研究方向，包括生成建模与领域自适应，以提升模型的鲁棒性与泛化能力。

提出的方法

• 基于同行评审文献，系统性回顾深度学习在眼科学诊断中使用视网膜眼底图像的应用。
• 按任务对深度学习模型进行分类：分割（视盘、血管、视网膜层）、病灶检测与疾病分类。
• 分析14个公开可用的眼底图像数据集，包括图像数量、临床用途、相机类型及可获取性。
• 对比深度学习模型（如ResNet、FCN、自编码器、生成对抗网络）与传统机器学习及CAD系统的表现。
• 评估各研究中AUC、准确率、F1值与马修斯相关系数（MCC）等性能指标，以评估模型有效性。
• 讨论迁移学习与对抗性领域自适应等先进技术，以应对领域偏移与数据稀缺问题。

实验结果

研究问题

• RQ1 深度学习模型在从眼底图像分类眼科学疾病方面，相较于传统机器学习方法表现如何？
• RQ2 哪些深度学习架构在眼底图像中视盘、血管与视网膜层的分割任务中最有效？
• RQ3 在应用深度学习进行眼底图像分析时，主要挑战是什么，特别是关于数据可用性与标注问题？
• RQ4 生成模型在多大程度上可缓解眼科学深度学习应用中的数据稀缺问题？
• RQ5 领域偏移如何影响模型性能？有哪些技术可提升跨不同成像源的模型鲁棒性？

主要发现

• 深度学习模型在诊断糖尿病性视网膜病变、青光眼和年龄相关性黄斑变性方面，持续优于传统机器学习方法与CAD系统。
• 卷积神经网络（CNNs）是主导架构，ResNet、FCN与基于自编码器的模型在分割与分类任务中表现优异。
• 最先进模型在病灶检测中达到AUC 0.982（Haloi等）；在疾病分类中准确率达98.88%（kNN-DREAM在MESSIDOR数据集上）。
• 数据稀缺与缺乏标准化性能指标（如AUC、F1、MCC）限制了模型比较与临床应用。
• 由于相机设置差异导致的领域偏移显著降低模型泛化能力，尤其当训练与测试数据分布不一致时。
• 生成模型（如生成对抗网络与变分自编码器）在合成临床相关且带标注的眼底图像方面展现出潜力，有助于缓解数据稀缺问题。