[论文解读] Deep Learning based Framework for Automatic Diagnosis of Glaucoma based on analysis of Focal Notching in the Optic Nerve Head

Sneha Dasgupta, Rishav Mukherjee+2 more|arXiv (Cornell University)|Dec 10, 2021

Retinal Imaging and Analysis被引用 4

一句话总结

本文提出了一种基于深度学习的自动青光眼诊断框架，利用视网膜眼底图像，结合多类别U-Net进行视盘和杯状部分割，并采用基于支持向量机（SVM）的分类方法，融合杯盘比（CDR）与局灶性切迹特征。该方法在DRISHTI-GS数据集上实现了93.33%的准确率，通过整合基于ISNT规则的视网膜神经纤维层厚度分析，有效弥补了仅依赖CDR的局限性。

ABSTRACT

Automatic evaluation of the retinal fundus image is emerging as one of the most important tools for early detection and treatment of progressive eye diseases like Glaucoma. Glaucoma results to a progressive degeneration of vision and is characterized by the deformation of the shape of optic cup and the degeneration of the blood vessels resulting in the formation of a notch along the neuroretinal rim. In this paper, we propose a deep learning-based pipeline for automatic segmentation of optic disc (OD) and optic cup (OC) regions from Digital Fundus Images (DFIs), thereby extracting distinct features necessary for prediction of Glaucoma. This methodology has utilized focal notch analysis of neuroretinal rim along with cup-to-disc ratio values as classifying parameters to enhance the accuracy of Computer-aided design (CAD) systems in analyzing glaucoma. Support Vector-based Machine Learning algorithm is used for classification, which classifies DFIs as Glaucomatous or Normal based on the extracted features. The proposed pipeline was evaluated on the freely available DRISHTI-GS dataset with a resultant accuracy of 93.33% for detecting Glaucoma from DFIs.

研究动机与目标

• 通过使用深度学习自动化分析视网膜眼底图像，提升青光眼的早期检测能力。
• 通过整合局灶性切迹特征与基于ISNT规则的神经视网膜盘厚度分析，解决因自然存在大视杯而导致的杯盘比（CDR）局限性问题。
• 开发一种视盘与视杯的联合分割流程，以提取用于青光眼分类的临床相关特征。
• 通过结合形态学特征与机器学习分类，提升计算机辅助诊断（CAD）系统的准确性。
• 在公开可用的数据集（DRISHTI-GS）上验证该框架，以确保可重复性与基准测试能力。

提出的方法

• 采用具有编码器-解码器结构的多类别U-Net架构，对视网膜眼底图像中的视盘（OD）和视杯（OC）区域进行语义分割。
• 网络在缩放为256×256像素的图像上，使用Adam优化器和二元交叉熵损失函数进行训练。
• 通过分析四个ISNT区域（下、上、鼻、颞）的神经视网膜盘厚度，提取局灶性切迹特征，以检测提示青光眼的不对称性。
• 提取八项定量特征：面积CDR、直径CDR、杯直径、S-距离、I-距离、视盘直径、杯面积和视盘面积。
• 采用支持向量机（SVM）作为分类器，利用提取的特征区分青光眼与正常病例。
• 应用数据增强和验证集监控，以防止训练过程中的过拟合。

实验结果

研究问题

• RQ1 基于深度学习的分割模型能否在视网膜眼底图像中实现对视盘和视杯的高精度同步分割？
• RQ2 基于ISNT规则的局灶性切迹特征是否能提升青光眼分类准确率，超越仅依赖杯盘比（CDR）的水平？
• RQ3 U-Net分割与SVM分类相结合的混合流程能否在青光眼检测中超越传统CAD系统的表现？
• RQ4 该方法在DRISHTI-GS数据集上的分割与分类指标表现如何？
• RQ5 形态学特征（如杯直径和盘厚度）在区分青光眼与正常眼方面，其贡献程度如何？

主要发现

• 所提出的多类别U-Net在DRISHTI-GS测试集上对视盘分割的准确率达到99.697%，召回率为98.103%，精确率为92.654%。
• 对于视杯分割，模型准确率达到99.513%，召回率为91.459%，精确率为89.498%，表现出极高的分割保真度。
• 基于SVM的分类模型在测试数据集上实现了93.33%的整体准确率，敏感性为90.9%，特异性为94.73%。
• 整合基于ISNT规则的切迹特征显著提升了分类的鲁棒性，尤其在因解剖变异导致基线CDR较高的情况下表现更优。
• 视杯分割的F1-score为0.89728，表明精确率与召回率之间具有良好的平衡。
• 混淆矩阵显示假阳性率较低（1/19），假阴性率也较低（1/11），支持可靠的临床决策支持。