[论文解读] Deep Learning based Early Detection and Grading of Diabetic Retinopathy Using Retinal Fundus Images

Sheikh Muhammad Saiful Islam, Md Mahedi Hasan+1 more|arXiv (Cornell University)|Dec 27, 2018

Retinal Imaging and Analysis被引用 72

一句话总结

基于 CNN 的模型在视网膜底照相图像上进行糖尿病性视网膜病变早期检测与严重程度分级，达到最先进的分级性能和高的早期检测灵敏度。 在 Kaggle EyePACS 上评估，0.851 二次加权 κ 和 0.844 AUC；早期检测灵敏度 98%。

ABSTRACT

Diabetic Retinopathy (DR) is a constantly deteriorating disease, being one of the leading causes of vision impairment and blindness. Subtle distinction among different grades and existence of many significant small features make the task of recognition very challenging. In addition, the present approach of retinopathy detection is a very laborious and time-intensive task, which heavily relies on the skill of a physician. Automated detection of diabetic retinopathy is essential to tackle these problems. Early-stage detection of diabetic retinopathy is also very important for diagnosis, which can prevent blindness with proper treatment. In this paper, we developed a novel deep convolutional neural network, which performs the early-stage detection by identifying all microaneurysms (MAs), the first signs of DR, along with correctly assigning labels to retinal fundus images which are graded into five categories. We have tested our network on the largest publicly available Kaggle diabetic retinopathy dataset, and achieved 0.851 quadratic weighted kappa score and 0.844 AUC score, which achieves the state-of-the-art performance on severity grading. In the early-stage detection, we have achieved a sensitivity of 98% and specificity of above 94%, which demonstrates the effectiveness of our proposed method. Our proposed architecture is at the same time very simple and efficient with respect to computational time and space are concerned.

研究动机与目标

• 开发一个自动化深度学习模型，通过识别微动脉瘤等相关特征，从视网膜底部图像中检测糖尿病性视网膜病变的早期阶段。
• 使用回归输出和均方误差目标将 DR 严重程度分为五个等级。
• 通过数据预处理和广泛的数据增强来提升性能，以应对不平衡的类别和图像质量差异。

提出的方法

• 提出一个18层的深度 CNN，使用 4x4 卷积核和 3x3 最大池化，使用 SGD 和 Nesterov 动量进行训练。
• 将图像按 Graham 的指南进行标准化照明和颜色处理，然后进行旋转、翻转、平移、缩放、裁剪以及 Krizhevsky 颜色增强的数据增强。
• 两层全连接层（每层 1024 单元），随后是一个输出神经元；回归框架，使用均方误差；损失值限制在 0-4 的范围内。
• 特征融合网络使用一个较小的全连接/最大输出结构，将来自多种增强和双眼的特征进行融合。
• 训练使用正交初始化、L2 正则化、dropout，以及分阶段学习率；融合网络使用 Adam 进行训练。
• 在 EyePACS（Kaggle）上评估，包含等级分布和用于离散化回归输出的阈值（0.5、1.5、2.5、3.5）。

实验结果

研究问题

• RQ1 CNN 是否能够通过识别微动脉瘤及相关征象，在高灵敏度和特异性下检测糖尿病性视网膜病变的早期阶段？
• RQ2 基于回归的 CNN 框架在五个等级上对 DR 严重程度的分级表现如何，与 κ 值和 AUC 等标准指标相比如何？
• RQ3 数据预处理和增强对不平衡的 DR 等级分布下模型泛化能力有何影响？
• RQ4 从多种增强和双眼融合的特征是否能提升严重程度分级的性能？
• RQ5 在 EyePACS 数据集上实现鲁棒 DR 检测与分级的最优训练超参数与体系结构选择有哪些？

主要发现

• 在早期阶段检测中实现 98% 的灵敏度和 >94% 的特异性。
• 在 Kaggle EyePACS 测试集上获得 0.851 的二次加权 κ。
• 在分级性能上达到 0.844 AUROC 和 0.743 F-score。
• 采用简单高效的18层 CNN，使用 4x4 卷积核和回归输出用于等级 0–4。
• 数据增强与预处理对于防止过拟合和处理不平衡类别至关重要。
• 来自多种增强和两只眼睛的特征融合带来了性能提升。）