[论文解读] Automatic lesion segmentation and Pathological Myopia classification in fundus images

Cefas Rodrigues Freire, Julio Cesar da Costa Moura+2 more|arXiv (Cornell University)|Feb 15, 2020

Retinal Imaging and Analysis参考文献 7被引用 11

一句话总结

本文提出了一种基于迁移学习与Xception及YOLO-inspired架构的深度学习框架，用于在眼底图像中自动检测和分类病理性近视（PM）及视网膜病变。该框架在所有任务中均表现出色，在PALM挑战赛数据集上，PM分类的AUC-ROC达到0.9957，视盘和萎缩病变分割的F1-score均超过0.90，展现出强大的泛化能力。

ABSTRACT

In this paper we present algorithms to diagnosis Pathological Myopia (PM) and detection of retinal structures and lesions such asOptic Disc (OD), Fovea, Atrophy and Detachment. All these tasks were performed in fundus imaging from PM patients and they are requirements to participate in the Pathologic Myopia Challenge (PALM). The challenge was organized as a half day Challenge, a Satellite Event of The IEEE International Symposium on Biomedical Imaging in Venice Italy.Our method applies different Deep Learning techniques for each task. Transfer learning is applied in all tasks using Xception as the baseline model. Also, some key ideas of YOLO architecture are used in the Optic Disc segmentation algorithm pipeline. We have evaluated our model's performance according the challenge rules in terms of AUC-ROC, F1-Score, Mean Dice Score and Mean Euclidean Distance. For initial activities our method has shown satisfactory results.

研究动机与目标

• 开发一个统一的深度学习系统，用于基于眼底成像实现病理性近视（PM）的自动诊断。
• 检测并分割视网膜关键结构，包括视盘、黄斑、萎缩和脱离。
• 解决在病理性近视挑战赛（PALM）中定义的多任务挑战，包括PM分类与病变检测。
• 利用迁移学习与架构创新，在有限的医学影像数据上提升性能。
• 在PALM挑战赛的评估指标上实现最先进水平，包括AUC-ROC、F1-score、Dice系数和欧氏距离。

提出的方法

• 采用Xception作为主干模型进行迁移学习，使用ImageNet预训练权重，在PM与非PM眼底图像上进行微调。
• 通过极坐标变换与数据增强，采用YOLO-inspired目标检测流程实现视盘分割。
• 基于IDRiD数据集中的中心坐标标注，训练CNN模型以检测黄斑，结合数据归一化与增强。
• 采用改进的DeepLabV3+模型分别使用二元交叉熵损失和多类别交叉熵损失进行萎缩与脱离病变的分割。
• 分割任务采用模型集成推理：对原始图像及其水平翻转图像的预测结果取平均后进行argmax操作，以提升鲁棒性。
• 数据预处理包括将图像中心裁剪为299×299像素，归一化至[-1, 1]范围，并应用水平翻转、旋转与缩放增强。

实验结果

研究问题

• RQ1 使用Xception进行迁移学习是否能在眼底图像中实现对病理性近视分类的高精度？
• RQ2 YOLO-inspired架构是否能有效检测并分割眼底图像中的视盘？
• RQ3 仅使用中心坐标标注，深度学习模型能否准确定位黄斑？
• RQ4 在数据有限的情况下，分割模型是否能对萎缩与脱离病变实现高Dice系数与F1-score？
• RQ5 通过图像翻转实现的模型集成策略是否能提升分割的鲁棒性与PALM挑战赛指标表现？

主要发现

• PM分类模型在测试集上达到0.9957的AUC-ROC，表明对PM与非PM病例具有极强的判别能力。
• 视盘分割的F1-score为0.9855，平均Dice系数为0.9092，表明具有高精度与高召回率。
• 黄斑检测的平均欧氏距离为71.2958像素，表明相对于真实值具有较高的定位准确性。
• 萎缩病变分割的F1-score为0.9091，平均Dice系数为0.7798，表明在病变分割任务中表现优异。
• 脱离病变分割的F1-score达到完美的1.0000，但Dice系数较低，为0.5547，表明具有高精度但重叠度较低，可能与标注稀疏性有关。
• 通过翻转输入图像实现的模型集成策略，显著提升了所有病变类型分割的一致性与最终掩膜质量。