[论文解读] Automated Strabismus Detection for Telemedicine Applications

Jiewei Lu, Zhun Fan+5 more|arXiv (Cornell University)|Sep 9, 2018

Retinal Imaging and AnalysisMedicine参考文献 18被引用 18

一句话总结

本文提出RF-CNN，一种用于远程医疗中自动斜视检测的端到端深度学习框架。该方法首先使用R-FCN分割眼区，然后通过卷积神经网络（CNN）将眼区分类为斜视或正常。在新建立的远程斜视数据集上，该方法实现了93.30%的敏感度、96.17%的特异度以及98.65%的AUC，展现出在远程诊断中出色的性能。

ABSTRACT

Strabismus is one of the most influential ophthalmologic diseases in human's life. Timely detection of strabismus contributes to its prognosis and treatment. Telemedicine, which has great potential to alleviate the growing demand of the diagnosis of ophthalmologic diseases, is an effective method to achieve timely strabismus detection. In this paper, a tele strabismus dataset is established by the ophthalmologists. Then an end-to-end framework named as RF-CNN is proposed to achieve automated strabismus detection on the established tele strabismus dataset. RF-CNN first performs eye region segmentation on each individual image, and further classifies the segmented eye regions with deep neural networks. The experimental results on the established tele strabismus dataset demonstrates that the proposed RF-CNN can have a good performance on automated strabismus detection for telemedicine application. Code is made publicly available at: https://github.com/jieWeiLu/Strabismus-Detection-for-Telemedicine-Application.

研究动机与目标

• 为解决偏远或资源匮乏地区及时诊断斜视的日益增长需求。
• 克服传统现场诊断依赖专科医生在场的局限性。
• 开发一种自动化、可扩展的斜视检测解决方案，适用于远程医疗。
• 建立一个公开可用的远程斜视数据集，以支持研究和临床验证。
• 实现斜视的早期检测，预防弱视和失明等并发症。

提出的方法

• 提出一种端到端的RF-CNN框架，包含两个阶段：眼区分割和斜视分类。
• 使用R-FCN生成位置敏感的得分图，实现精确的眼区分割，减少背景干扰。
• 将分割后的眼区输入深度卷积神经网络（CNN），最终分类为斜视或正常。
• 采用随机梯度下降进行网络训练，权重衰减为5×10⁻⁴，Dropout率为0.5。
• 在配备GPU的系统上，训练共进行5000次迭代，批量大小为32，初始学习率为0.01。
• 该框架使用TensorFlow实现，并在新收集的远程斜视数据集上进行验证。

实验结果

研究问题

• RQ1 自动化深度学习系统是否能在远程医疗环境中实现高精度的斜视检测？
• RQ2 斜视检测性能如何随训练样本数量的变化而变化？
• RQ3 在复杂多变的远程医疗图像中，眼区分割能否提升检测准确率？
• RQ4 是否可行构建一个公开可用的远程斜视数据集，以支持研究和临床应用？
• RQ5 所提出的RF-CNN框架是否能在远程诊断中实现优于传统方法的敏感度和特异度？

主要发现

• RF-CNN在远程斜视数据集上实现了93.30%的敏感度，表明其具备强大的斜视病例检测能力。
• 特异度达到96.17%，显示出在识别正常眼图像方面的高准确性。
• 模型准确率达到93.89%，AUC为0.9865，表明整体诊断性能优异。
• 性能在训练样本数达到约1500例时显著提升，此后增益趋于平缓。
• 敏感度分析证实，随着训练数据增加，模型性能具有鲁棒性和可扩展性。
• 本研究首次提出并验证了一套端到端的自动化远程斜视检测框架，基于新建立的数据集。