[论文解读] Assessment of central serous chorioretinopathy (CSC) depicted on color fundus photographs using deep Learning

Yi Zhen, Hang Chen+5 more|arXiv (Cornell University)|Jan 14, 2019

Retinal Imaging and Analysis参考文献 16被引用 3

一句话总结

本研究评估了深度学习，特别是InceptionV3架构，在彩色眼底照片中检测中心性浆液性脉络膜视网膜病变（CSC）的应用。该模型基于2,504张经OCT确诊CSC状态的图像进行训练，与人类阅片者相比，其Kappa系数达到0.59，表明在眼底图像中对CSC病灶的分类具有可靠且一致的性能。

ABSTRACT

To investigate whether and to what extent central serous chorioretinopathy (CSC) depicted on color fundus photographs can be assessed using deep learning technology. We collected a total of 2,504 fundus images acquired on different subjects. We verified the CSC status of these images using their corresponding optical coherence tomography (OCT) images. A total of 1,329 images depicted CSC. These images were preprocessed and normalized. This resulting dataset was randomly split into three parts in the ratio of 8:1:1 respectively for training, validation, and testing purposes. We used the deep learning architecture termed InceptionV3 to train the classifier. We performed nonparametric receiver operating characteristic (ROC) analyses to assess the capability of the developed algorithm to identify CSC. The Kappa coefficient between the two raters was 0.48 (p < 0.001), while the Kappa coefficients between the computer and the two raters were 0.59 (p < 0.001) and 0.33 (p < 0.05).Our experiments showed that the computer algorithm based on deep learning can assess CSC depicted on color fundus photographs in a relatively reliable and consistent way.

研究动机与目标

• 确定深度学习是否能够可靠地评估彩色眼底照片中的CSC。
• 验证深度学习分类器与临床OCT读数的性能。
• 评估人类专家与算法之间的评分者间一致性。
• 开发一种可扩展的自动化工具，利用广泛可用的眼底成像技术实现CSC的早期检测。

提出的方法

• 从多样化受试者中收集了2,504张彩色眼底照片，并通过相应的光学相干断层扫描（OCT）扫描确认CSC状态。
• 对图像进行预处理和归一化，以确保数据集内的一致性。
• 使用随机分层抽样将数据集划分为80%训练集、10%验证集和10%测试集。
• 使用在ImageNet上预训练的InceptionV3架构，并在CSC数据集上进行微调，训练深度学习分类器。
• 采用非参数受试者工作特征（ROC）分析评估模型性能。
• 计算Cohen’s Kappa系数，以评估阅片者与算法之间的一致性。

实验结果

研究问题

• RQ1 深度学习模型能否准确识别彩色眼底照片中的CSC？
• RQ2 该模型在分类CSC方面的性能与人类专家阅片者相比如何？
• RQ3 算法与人类阅片者之间的评分者间一致性如何？
• RQ4 深度学习在多大程度上可减少临床环境中CSC检测的变异性？

主要发现

• 与第一位人类阅片者相比，深度学习模型的Kappa系数为0.59（p < 0.001），表明存在显著一致性。
• 与第二位人类阅片者相比，模型的Kappa系数为0.33（p < 0.05），表明存在中等一致性。
• 两位人类阅片者之间的评分者间一致性为0.48（p < 0.001），表明存在中等一致性。
• 该模型在仅使用彩色眼底图像的情况下，表现出对CSC病灶的稳健检测能力，推理过程中无需OCT。
• ROC分析证实，该模型在区分CSC与非CSC眼底图像方面具有强大的判别能力。