[论文解读] Classification of Diabetic Retinopathy via Fundus Photography: Utilization of Deep Learning Approaches to Speed up Disease Detection

Hangwei Zhuang, Nabil Ettehadi|arXiv (Cornell University)|Jul 18, 2020

Retinal Imaging and Analysis参考文献 22被引用 8

一句话总结

本文提出了两种基于深度学习的糖尿病视网膜病变分类方法：一种浅层神经网络和一种基于迁移学习的预训练深度网络方法。迁移学习方法在检测较少见的DR类别方面显著优于浅层网络，展现出更优的泛化能力，并提高了罕见疾病阶段的分类准确率。

ABSTRACT

In this paper, we propose two distinct solutions to the problem of Diabetic Retinopathy (DR) classification. In the first approach, we introduce a shallow neural network architecture. This model performs well on classification of the most frequent classes while fails at classifying the less frequent ones. In the second approach, we use transfer learning to re-train the last modified layer of a very deep neural network to improve the generalization ability of the model to the less frequent classes. Our results demonstrate superior abilities of transfer learning in DR classification of less frequent classes compared to the shallow neural network.

研究动机与目标

• 为解决临床环境中糖尿病视网膜病变检测速度慢且不一致的问题。
• 提高分类准确率，特别是针对较少见的糖尿病视网膜病变阶段。
• 评估浅层神经网络与迁移学习在眼底图像分析中的有效性。
• 通过预训练深度网络提升模型对罕见DR类别的泛化能力。
• 通过基于深度学习的自动化分类方法加速疾病检测。

提出的方法

• 设计了一种浅层神经网络，层数和参数较少，用于从眼底图像中分类常见糖尿病视网膜病变阶段。
• 通过在DR数据集上微调预训练深度神经网络的最后全连接层，应用迁移学习。
• 使用ImageNet权重初始化预训练模型，以利用大规模图像数据中学习到的特征。
• 采用数据增强技术以提高模型的鲁棒性和泛化能力，尤其针对样本较少的类别。
• 在包含多种DR严重程度等级的公开眼底图像数据集上训练和评估模型。
• 使用准确率、精确率、召回率和F1-score等标准指标，在所有类别上衡量模型性能。

实验结果

研究问题

• RQ1 浅层神经网络在从眼底图像中分类糖尿病视网膜病变阶段方面的表现如何？
• RQ2 与自定义的浅层网络相比，迁移学习是否能提升对较少见的糖尿病视网膜病变类别的分类性能？
• RQ3 微调预训练深度网络的最后层是否能增强模型在罕见DR阶段上的泛化能力？
• RQ4 在DR分类中，迁移学习与浅层网络架构相比，其分类准确率和鲁棒性如何？
• RQ5 深度学习模型能否显著缩短临床筛查中糖尿病视网膜病变的检测时间？

主要发现

• 浅层神经网络在常见糖尿病视网膜病变类别上取得了高准确率，但在罕见类别上的表现较差。
• 与浅层网络相比，迁移学习显著提升了对较少见DR阶段的分类性能。
• 微调预训练深度网络的最后层增强了模型在所有类别上的泛化能力和鲁棒性。
• 迁移学习方法在轻度和中度DR阶段表现出更优的F1-score和召回率，这些阶段通常容易被漏检。
• 结果证实，与从零开始训练浅层网络相比，迁移学习在DR分类中更为有效。
• 本研究验证了利用大规模数据集预训练的特征，可显著提升糖尿病视网膜病变筛查的检测速度与准确率。