[论文解读] Classification of Diabetic Retinopathy Severity in Fundus Images with DenseNet121 and ResNet50

Jonathan Zhang, Bowen Xie+3 more|arXiv (Cornell University)|Aug 19, 2021

Retinal Imaging and Analysis参考文献 2被引用 4

一句话总结

本研究评估了DenseNet121与ResNet50在使用RGB、绿色滤镜及高对比度图像变体对眼底图像进行糖尿病视网膜病变严重程度分类中的表现。在RGB图像上，DenseNet121模型达到85%的最大验证准确率和0.17的最低验证损失，表明模型架构与图像预处理方法对糖尿病视网膜病变分类性能具有显著影响。

ABSTRACT

In this work, deep learning algorithms are used to classify fundus images in terms of diabetic retinopathy severity. Six different combinations of two model architectures, the Dense Convolutional Network-121 and the Residual Neural Network-50 and three image types, RGB, Green, and High Contrast, were tested to find the highest performing combination. We achieved an average validation loss of 0.17 and a max validation accuracy of 85 percent. By testing out multiple combinations, certain combinations of parameters performed better than others, though minimal variance was found overall. Green filtration was shown to perform the poorest, while amplified contrast appeared to have a negligible effect in comparison to RGB analysis. ResNet50 proved to be less of a robust model as opposed to DenseNet121.

研究动机与目标

• 开发一种用于自动分类眼底图像中糖尿病视网膜病变（DR）严重程度的深度学习模型，以应对专业评估人员不足的问题。
• 评估两种深度学习架构——DenseNet121与ResNet50——在不同图像预处理变体上的性能表现。
• 确定用于DR严重程度分类的最佳模型架构与图像类型（RGB、绿色滤镜、高对比度）组合。
• 评估绿色滤镜与直方图均衡化等图像预处理技术对模型性能的影响。
• 为基于迁移学习与卷积神经网络的可扩展、高精度DR筛查工具提供基础支持。

提出的方法

• 对来自APTOs Kaggle数据集的3,662张眼底图像进行预处理，包括调整为244×244像素，并生成三种图像类型：原始RGB、仅绿色通道滤镜（将红色和蓝色通道置零）、以及高对比度图像（对RGB通道进行直方图均衡化）。
• 使用ImageNet预训练权重，通过迁移学习训练两种深度学习模型——DenseNet121与ResNet50，且不包含顶部分类层。
• 构建一个序列模型，包含全局平均池化层、Dropout（0.5）和一个五分类的Softmax输出层，用于多分类DR严重程度分类（0–4级）。
• 使用Adam优化器，初始学习率较低（0.0001），以二元交叉熵损失函数为损失函数，并以准确率为评估指标。
• 通过Keras的ImageDataGenerator应用数据增强技术，包括随机缩放、水平与垂直翻转以及填充恒定值，以提升模型泛化能力。
• 将数据集按80%训练集与20%测试集进行划分，并在15个训练周期内通过验证损失与准确率评估模型性能。

实验结果

研究问题

• RQ1 哪种模型架构（DenseNet121与ResNet50）与图像预处理方式（RGB、绿色滤镜、高对比度）的组合在DR严重程度分类中能获得最高的验证准确率？
• RQ2 对眼底图像进行绿色滤镜处理如何影响深度学习模型在检测糖尿病视网膜病变中的性能表现？
• RQ3 与标准RGB图像相比，通过直方图均衡化增强图像对比度是否能显著提升分类性能？
• RQ4 DenseNet121与ResNet50在不同图像预处理策略下的验证损失与准确率表现如何比较？
• RQ5 在训练数据有限的情况下，模型架构在DR分类中的鲁棒性与泛化能力方面有多大影响？

主要发现

• DenseNet121与RGB图像的组合实现了最低的平均验证损失0.17，表明其优化稳定性更优。
• ResNet50与RGB图像的组合达到了最高的最大验证准确率85%，在分类性能上优于其他组合。
• 所有模型在绿色滤镜图像上的表现均最差，表明颜色通道的减少会削弱关键诊断特征。
• 高对比度图像相较于标准RGB图像未表现出明显性能提升，表明直方图均衡化并未显著增强模型性能。
• DenseNet121展现出比ResNet50更强的鲁棒性，因其在各类图像类型下均实现了更低的损失与更一致的性能表现。
• 尽管在大多数配置下准确率较高，但整体性能方差极小，表明在当前数据约束下，模型选择与预处理方式的影响有限。