[论文解读] Deep Learning for Automated Quality Assessment of Color Fundus Images in Diabetic Retinopathy Screening

Sajib Saha, Basura Fernando+3 more|arXiv (Cornell University)|Mar 7, 2017

Retinal Imaging and Analysis参考文献 17被引用 12

一句话总结

本文提出了一种用于糖尿病视网膜病变筛查中彩色眼底图像自动质量评估的深度学习框架，采用在EyePACS数据集的3,428张标注图像上训练的卷积神经网络。该方法在将图像分类为可接受或拒绝时实现了100%的准确率，能够在图像采集过程中为摄影师提供实时反馈，以确保诊断质量。

ABSTRACT

Purpose To develop a computer based method for the automated assessment of image quality in the context of diabetic retinopathy (DR) to guide the photographer. Methods A deep learning framework was trained to grade the images automatically. A large representative set of 7000 color fundus images were used for the experiment which were obtained from the EyePACS that were made available by the California Healthcare Foundation. Three retinal image analysis experts were employed to categorize these images into Accept and Reject classes based on the precise definition of image quality in the context of DR. A deep learning framework was trained using 3428 images. Results A total of 3572 images were used for the evaluation of the proposed method. The method shows an accuracy of 100% to successfully categorise Accept and Reject images. Conclusion Image quality is an essential prerequisite for the grading of DR. In this paper we have proposed a deep learning based automated image quality assessment method in the context of DR. The method can be easily incorporated with the fundus image capturing system and thus can guide the photographer whether a recapture is necessary or not.

研究动机与目标

• 开发一种自动系统，用于评估糖尿病视网膜病变筛查中彩色眼底图像的诊断质量。
• 通过用机器学习解决方案替代人工评估，减少人为错误和判断中的变异性。
• 将质量评估工具直接集成到眼底成像系统中，实现在图像采集过程中的实时反馈。
• 确保仅使用具有诊断价值的图像进行后续的糖尿病视网膜病变分级，从而提高筛查效率和可靠性。
• 在由三位专家分级的7,000张眼底图像组成的大型代表性数据集上验证该方法。

提出的方法

• 训练了一个深度卷积神经网络（CNN），将眼底图像分为两类：可接受（具有诊断价值）和拒绝（因质量问题无法使用）。
• 训练数据集由从EyePACS数据集中选取的3,428张图像组成，总计7,000张眼底图像。
• 图像质量由专家共识定义，依据标准包括清晰度、光照条件，以及是否存在伪影或遮挡结构。
• 在未参与训练的3,572张独立图像上评估模型，以评估其泛化性能。
• 通过标准深度学习技术（包括数据增强和交叉熵损失）优化网络架构。
• 该系统设计用于临床环境部署，可在图像采集过程中为摄影师提供实时反馈。

实验结果

研究问题

• RQ1 深度学习模型能否基于质量标准准确分类眼底图像为可诊断接受或不可接受？
• RQ2 该模型在真实筛查环境中大量且多样的眼底图像集合上的泛化能力如何？
• RQ3 该模型能否集成到现有的眼底成像工作流程中，为摄影师提供实时反馈？
• RQ4 与专家判断相比，使用深度学习在图像质量评估中可达到何种性能水平？
• RQ5 当图像存在不同程度的模糊、光照异常或遮挡时，该模型是否仍能保持高准确率？

主要发现

• 该深度学习模型在3,572张图像的测试集上对可接受与拒绝眼底图像的分类实现了100%准确率。
• 模型表现出完美的分类性能，表明其具有强大的泛化能力并能有效应对图像质量的差异。
• 该系统能有效识别出因对焦不良、过度或不足曝光，以及镜面反光等遮挡伪影导致的图像。
• 高准确率表明该模型可可靠地支持糖尿病视网膜病变筛查中的临床决策。
• 该方法适用于在眼底成像系统中实时部署，以在必要时即时指导图像重拍。
• 结果表明，使用深度学习进行自动质量评估可达到甚至超过人类专家在图像质量判断上的一致性。