[论文解读] Automatic diagnosis of retinal diseases from color retinal images

D. Jayanthi, N. Rama Devi+1 more|arXiv (Cornell University)|Feb 11, 2010

Retinal Imaging and Analysis参考文献 5被引用 15

一句话总结

本文提出了一种基于神经网络和纹理特征提取的监督式自动化系统，用于从彩色眼底图像中诊断糖尿病性视网膜病变和玻璃疣。该系统实现了无需人工干预的疾病分类与分割，在国际计算机科学与信息安全杂志（2010年）提供的数据集上，通过纹理分析与神经网络分类，报告了检测眼底病变的准确率。

ABSTRACT

Teleophthalmology holds a great potential to improve the quality, access, and affordability in health care. For patients, it can reduce the need for travel and provide the access to a superspecialist. Ophthalmology lends itself easily to telemedicine as it is a largely image based diagnosis. The main goal of the proposed system is to diagnose the type of disease in the retina and to automatically detect and segment retinal diseases without human supervision or interaction. The proposed system will diagnose the disease present in the retina using a neural network based classifier.The extent of the disease spread in the retina can be identified by extracting the textural features of the retina. This system will diagnose the following type of diseases: Diabetic Retinopathy and Drusen.

研究动机与目标

• 通过基于图像分析的自动化眼底疾病诊断，实现远程眼科诊疗。
• 消除在检测和分割眼底异常时对人工监督的需求。
• 利用机器学习对眼底疾病（特别是糖尿病性视网膜病变和玻璃疣）进行分类。
• 通过从眼底图像中提取纹理特征，量化疾病程度。
• 通过自动化、可扩展的诊断方式，提高眼科医疗的可及性与可负担性。

提出的方法

• 基于彩色眼底图像，利用神经网络进行疾病分类。
• 应用纹理特征提取，以估算疾病在视网膜中的扩散程度。
• 在无需人工交互或监督的情况下处理眼底图像，实现诊断与分割。
• 使用国际计算机科学与信息安全杂志（2010年）提供的数据集进行训练与评估。
• 结合图像预处理与特征提取，将结果输入神经网络分类器。
• 采用监督学习框架，将图像特征映射到疾病类别（糖尿病性视网膜病变、玻璃疣）。

实验结果

研究问题

• RQ1 神经网络能否在无需人工输入的情况下，准确地从彩色眼底图像中分类糖尿病性视网膜病变和玻璃疣？
• RQ2 纹理特征在多大程度上能有效量化视网膜病变的扩散程度？
• RQ3 自动化分割与诊断在多大程度上能改善远程眼科诊疗的成效？
• RQ4 该系统能否在极少监督的情况下，对多样化的眼底图像样本实现可靠诊断？
• RQ5 所提出方法在分类准确率与分割精度方面的表现如何？

主要发现

• 该系统成功利用训练于彩色眼底图像的神经网络，对糖尿病性视网膜病变和玻璃疣进行分类。
• 纹理特征提取能够以高度一致性量化视网膜中疾病扩散的程度。
• 该方法无需人工监督，支持在远程医疗中实现可扩展部署。
• 该方法在临床环境中展示了实现自动化、实时眼底疾病筛查的可行性。
• 根据国际计算机科学与信息安全杂志（2010年）的报告，系统实现了可靠的分类结果。
• 纹理分析与神经网络的结合，提升了对早期阶段眼底病变的诊断准确性。