[论文解读] Deep Learning-Based Detection of Referable Diabetic Retinopathy and Macular Edema Using Ultra-Widefield Fundus Imaging

Philippe Zhang, Pierre-Henri Conze+3 more|arXiv (Cornell University)|Sep 19, 2024

Retinal Imaging and AnalysisMedicine被引用 3

一句话总结

该论文提出了一种基于EfficientNet和ResNet架构的深度学习框架，结合多层级特征提取与测试时增强技术，实现对超广角（UWF）眼底图像中可治疗性糖尿病视网膜病变（DR）和糖尿病性黄斑水肿（DME）的自动化检测。在MICCAI 2024 UWF4DR挑战赛测试集上，最佳模型的AUROC达到0.9820，AUPRC达到0.9699，展现出在临床筛查应用中高精度与强鲁棒性。

ABSTRACT

Diabetic retinopathy and diabetic macular edema are significant complications of diabetes that can lead to vision loss. Early detection through ultra-widefield fundus imaging enhances patient outcomes but presents challenges in image quality and analysis scale. This paper introduces deep learning solutions for automated UWF image analysis within the framework of the MICCAI 2024 UWF4DR challenge. We detail methods and results across three tasks: image quality assessment, detection of referable DR, and identification of DME. Employing advanced convolutional neural network architectures such as EfficientNet and ResNet, along with preprocessing and augmentation strategies, our models demonstrate robust performance in these tasks. Results indicate that deep learning can significantly aid in the automated analysis of UWF images, potentially improving the efficiency and accuracy of DR and DME detection in clinical settings.

研究动机与目标

• 开发一种稳健的深度学习系统，用于超广角（UWF）眼底图像的自动化分析，以提升糖尿病视网膜病变（DR）和糖尿病性黄斑水肿（DME）的早期检测能力。
• 应对UWF图像质量差异性带来的挑战，并满足临床环境中对可扩展、无需专家参与的筛查需求。
• 通过迁移学习、多层级特征提取和测试时增强技术，提升诊断准确率与效率。
• 使用标准化基准，评估在三项任务中的表现：图像质量评估、可治疗性DR检测和DME识别。
• 通过平衡高敏感性和高特异性，支持临床部署，最大限度减少假阳性，同时确保可治疗病例的全面检出。

提出的方法

• 在MICCAI 2024 UWF4DR挑战赛数据集提供的UWF眼底图像上，微调EfficientNet-B0和ResNet-50架构。
• 在多层级EfficientNet-B0模型中应用多层级特征提取策略，以捕捉不同感受野尺度下的分层模式。
• 通过高斯模糊与局部均值相减实现颜色归一化流程，以减少颜色差异并增强纹理特征。
• 采用数据增强技术，包括随机水平翻转、旋转和Mixup，以提升模型泛化能力并减少过拟合。
• 通过生成每个测试图像的多个增强版本并平均预测结果，应用测试时增强（TTA）以提升鲁棒性。
• 使用Adam优化器进行模型训练，初始初始学习率为1e-4，并采用指数衰减学习率调度器，同时利用预训练ImageNet权重进行迁移学习。

Figure 1: Samples from the quality assessment dataset: (A) good quality, (B) bad quality.

实验结果

研究问题

• RQ1 深度学习模型能否在超广角眼底图像中以高敏感性和高特异性有效检测可治疗性糖尿病视网膜病变？
• RQ2 测试时增强在UWF图像中DME检测的深度学习模型鲁棒性与性能方面有何提升作用？
• RQ3 与标准特征提取相比，多层级特征提取在DR和DME中检测细微病理体征方面的增强程度如何？
• RQ4 从预训练模型进行迁移学习是否能显著提升在有限医学影像数据集上UWF眼底图像分析的性能？
• RQ5 如颜色归一化等预处理技术如何影响模型在多样化UWF图像质量条件下的泛化能力？

主要发现

• 采用测试时增强的多层级EfficientNet-B0模型在DME检测测试集上达到最高AUROC（0.9820）和AUPRC（0.9699），优于其他模型。
• 该模型在特异性方面达到0.9577，表明其在保持高检测敏感性的同时，能有效减少假阳性。
• 标准EfficientNet-B0模型在敏感性方面达到最高（0.9500），展现出识别绝大多数真实阳性DME病例的强能力。
• 无TTA的多层级EfficientNet-B0模型在验证集上实现完美的特异性（1.0000），凸显其在排除假阳性方面的精确性。
• 从可治疗性DR检测任务进行微调显著提升了DME检测任务的性能，表明相关病理之间存在共享特征。
• 多层级特征提取与TTA的结合增强了模型的鲁棒性与泛化能力，表明其在临床部署中具有强大潜力。

Figure 2: Preprocessing of images: (A) original image, (B) center-cropped image, (C) preprocessed image.