[论文解读] Automatic Classification of Bright Retinal Lesions via Deep Network Features

Ibrahim Sadek, Mohamed Elawady+1 more|arXiv (Cornell University)|Jul 7, 2017

Retinal Imaging and Analysis参考文献 20被引用 15

一句话总结

本文提出了一种深度迁移学习方法，从预训练的卷积神经网络（ResNet、GoogLeNet、VGG-VD、VGG）中提取特征，将视网膜眼底图像分类为三类：正常、渗出物和玻璃疣。结合非线性分类器（SVM）使用这些深度特征，该方法在六个公开数据集上的平均准确率达到92.00%，相较于传统词袋（BoVW）方法提升了13%以上。

ABSTRACT

The diabetic retinopathy is timely diagonalized through color eye fundus images by experienced ophthalmologists, in order to recognize potential retinal features and identify early-blindness cases. In this paper, it is proposed to extract deep features from the last fully-connected layer of, four different, pre-trained convolutional neural networks. These features are then feeded into a non-linear classifier to discriminate three-class diabetic cases, i.e., normal, exudates, and drusen. Averaged across 1113 color retinal images collected from six publicly available annotated datasets, the deep features approach perform better than the classical bag-of-words approach. The proposed approaches have an average accuracy between 91.23% and 92.00% with more than 13% improvement over the traditional state of art methods.

研究动机与目标

• 通过使用预训练CNN的深度特征，提升糖尿病视网膜病变病变的自动分类性能。
• 解决在视网膜图像中区分正常、渗出物和玻璃疣病变的挑战。
• 在多种数据集上，实现比经典词袋（BoVW）方法更高的准确率和更强的鲁棒性。
• 通过交叉验证，在六个公开可用的、已标注的视网膜图像数据集上验证该方法。
• 证明迁移学习在多类视网膜疾病分类中优于手工设计特征。

提出的方法

• 从四个预训练CNN（ResNet、GoogLeNet、VGG-VD和VGG）的最后一个全连接层中提取深度特征。
• 将这些特征作为非线性分类器（SVM）的输入，用于三分类任务：正常、渗出物和玻璃疣。
• 在六个不同的公开视网膜图像数据集上应用10折交叉验证，以确保评估的稳健性。
• 使用k-means聚类构建词袋基线的词典，词数W在100至500之间变化。
• 通过标准指标（准确率、敏感度和特异度）比较性能。
• 评估了在多个网络深度下的特征提取效果，发现更深的网络表现更优。

实验结果

研究问题

• RQ1 预训练CNN的深度特征是否能在视网膜病变分类中超越传统词袋（BoVW）方法？
• RQ2 在所测试的预训练CNN架构（ResNet、GoogLeNet、VGG-VD、VGG）中，哪一种在三类视网膜图像分类中达到最高的分类准确率？
• RQ3 BoVW方法中的视觉词数量（W）如何影响分类性能？
• RQ4 为何BoVW方法在分类正常和渗出物图像时表现不佳，尽管其在玻璃疣分类上表现良好？
• RQ5 CNN架构的深度是否与病变检测的敏感度和特异度提升相关？

主要发现

• 深度特征方法在所有三类中的平均准确率达到92.00%，显著优于词袋方法的77.76%。
• GoogLeNet在所有测试的CNN模型中实现了最高的平均准确率（92.00%）和渗出物的敏感度（70.36%）。
• 词袋方法在正常类中的最大准确率为79.79%，在渗出物类中为80.05%，且在这些类别上的敏感度和特异度均低于深度特征方法。
• 与经典最先进方法相比，深度特征方法在准确率上提升了13%以上，尤其在区分正常和渗出物病变方面表现更优。
• ResNet表现出最稳定的性能，准确率方差最低（91.23% ± 1.07），表明其在不同数据集上的鲁棒性。
• BoVW方法在W = 400时对玻璃疣的特异度达到最高（100%），但整体多类准确率仍被深度特征方法超越。