[论文解读] Early Detection of Retinopathy of Prematurity (ROP) in Retinal Fundus Images Via Convolutional Neural Networks

Xin Guo, Yusuke Kikuchi+4 more|arXiv (Cornell University)|Jun 12, 2020

Retinopathy of Prematurity Studies参考文献 12被引用 5

一句话总结

本研究提出一种基于卷积神经网络（CNN）的深度学习框架，用于在眼底图像中实现早发性视网膜病变（ROP）的早期检测。通过在类别不平衡的数据集上使用更深的残差网络（ROPResCNN），该模型实现了100%的敏感度、96%的特异度、96%的精确度和98%的准确率，优于人类专家，且完全消除了与敏感度相关的诊断错误。

ABSTRACT

Retinopathy of prematurity (ROP) is an abnormal blood vessel development in the retina of a prematurely-born infant or an infant with low birth weight. ROP is one of the leading causes for infant blindness globally. Early detection of ROP is critical to slow down and avert the progression to vision impairment caused by ROP. Yet there is limited awareness of ROP even among medical professionals. Consequently, dataset for ROP is limited if ever available, and is in general extremely imbalanced in terms of the ratio between negative images and positive ones. In this study, we formulate the problem of detecting ROP in retinal fundus images in an optimization framework, and apply state-of-art convolutional neural network techniques to solve this problem. Experimental results based on our models achieve 100 percent sensitivity, 96 percent specificity, 98 percent accuracy, and 96 percent precision. In addition, our study shows that as the network gets deeper, more significant features can be extracted for better understanding of ROP.

研究动机与目标

• 解决早期ROP检测的迫切需求，以预防婴儿失明。
• 克服ROP数据集有限、类别不平衡以及专家资源不足的挑战。
• 开发一种深度学习模型，实现在眼底图像中对ROP诊断的高敏感度与高特异度。
• 实现自动化、可靠的ROP筛查，以减少人为错误，尤其是敏感度——这一最关键的诊断指标。
• 证明即使在小样本、类别不平衡的数据集上，更深的网络也能学习到具有临床意义的特征。

提出的方法

• 将ROP检测建模为一个优化问题，使用浅层CNN（ROPBaseCNN）进行初始模型开发。
• 从单一来源（Data_0）和多个来源（Data_1）收集并增强眼底图像，确保去标识化并获得伦理审批。
• 设计更深的残差网络（ROPResCNN），以缓解梯度消失/爆炸问题并减少过拟合。
• 采用全局平均池化替代全连接层，以提升泛化能力并减少过拟合。
• 采用标准深度学习训练协议：批量归一化、ReLU激活函数，以及数据增强，以提升模型鲁棒性。
• 使用标准指标（精确度、敏感度、特异度、准确率和F1分数）在保留的测试集上评估模型性能。

实验结果

研究问题

• RQ1 尽管数据有限且类别不平衡，深度学习模型是否仍能在眼底图像中实现高敏感度与高特异度的ROP检测？
• RQ2 模型深度（ROPBaseCNN与ROPResCNN对比）如何影响ROP检测的性能与特征学习能力？
• RQ3 该模型是否能够学习并捕捉到临床相关的ROP指标，例如血管-无血管交界处的增厚嵴？
• RQ4 与经验丰富的眼科医生相比，该模型在多大程度上减少了诊断错误？
• RQ5 使用多源数据是否能提升模型的鲁棒性与泛化能力，超越单一来源数据的表现？

主要发现

• 基于ROPResCNN的模型在合并的Data_0与Data_1数据集上实现了100%的敏感度、96%的特异度、96%的精确度和98%的准确率。
• 该模型在性能上远超经验丰富的眼科医生，整体诊断错误率降低了超过66%。
• 该模型完全消除了与敏感度相关的错误——这对防止漏诊ROP病例至关重要。
• ROPResCNN成功学习并突出显示了ROP的公认临床指标：即血管区与无血管区交界处的增厚嵴。
• 相较于浅层模型（ROPBaseCNN），更深的网络（ROPResCNN）提取了更具判别性的特征，提升了诊断理解能力。
• 尽管存在数据不平衡和样本量有限的问题，该模型在多个数据源上均表现出良好的泛化能力，展现出强鲁棒性与临床应用潜力。