[论文解读] Ensemble of Deep Convolutional Neural Networks for Learning to Detect Retinal Vessels in Fundus Images

Debapriya Maji, Anirban Santara+2 more|arXiv (Cornell University)|Mar 15, 2016

Retinal Imaging and Analysis参考文献 19被引用 81

一句话总结

本文提出一种由12个深度卷积神经网络（ConvNets）组成的集成模型，用于在眼底图像中实现鲁棒、数据驱动的视网膜血管检测，通过平均各网络输出的投票机制提升分割精度。该方法在DRIVE数据集上实现了94.7%的平均准确率和0.9283的AUC，优于先前的深度学习方法，同时显著减少了对手工设计特征的依赖。

ABSTRACT

Vision impairment due to pathological damage of the retina can largely be prevented through periodic screening using fundus color imaging. However the challenge with large scale screening is the inability to exhaustively detect fine blood vessels crucial to disease diagnosis. In this work we present a computational imaging framework using deep and ensemble learning for reliable detection of blood vessels in fundus color images. An ensemble of deep convolutional neural networks is trained to segment vessel and non-vessel areas of a color fundus image. During inference, the responses of the individual ConvNets of the ensemble are averaged to form the final segmentation. In experimental evaluation with the DRIVE database, we achieve the objective of vessel detection with maximum average accuracy of 94.7\% and area under ROC curve of 0.9283.

研究动机与目标

• 开发一种无需启发式规则、完全基于数据驱动的方法，用于检测彩色眼底图像中的粗细视网膜血管。
• 克服传统基于手工设计特征的血管检测方法在主观性和性能上的局限性。
• 通过深度学习与集成技术提升视网膜血管分割的泛化能力和鲁棒性。
• 在标准基准数据集（DRIVE）上评估所提出框架的性能，并与当前最先进方法进行对比。

提出的方法

• 在DRIVE训练集的随机图像块（图像ID 21–40）上独立训练12个相同的ConvNets。
• 每个ConvNet处理3×31×31的彩色图像块，网络架构包含3个卷积层、2个池化层和2个全连接层，激活函数为ReLU，且使用Dropout正则化。
• 网络使用4×4的感受野，卷积层步长为1，池化层采用2×2最大池化，步长为2。
• 推理阶段，对所有12个网络的像素级血管可能性得分进行平均，生成最终的分割结果。
• 最后一层使用Softmax函数输出血管像素与非血管像素的分类概率。
• 超参数如Dropout率（U[0.5, 0.9]）、L2正则化系数（U[1e-3, 2.5e-3]）以及隐藏单元数量（U{128, 256, 512}）在每组模型中随机采样。

实验结果

研究问题

• RQ1 在视网膜血管分割任务中，深度ConvNets的集成模型是否能优于单模型深度学习方法？
• RQ2 与基于启发式规则的方法相比，基于数据驱动、端到端的深度学习方法是否能有效降低主观性和偏差？
• RQ3 该集成方法在检测眼底图像中粗细视网膜血管方面的泛化能力如何？
• RQ4 与现有最先进方法相比，该方法在准确率、AUC和kappa评分等方面的性能表现如何？

主要发现

• 所提出的集成方法在DRIVE测试集上实现了最高94.70%的平均准确率，优于Maji等人[13]的先前深度学习方法（93.27%）。
• 该方法获得kappa评分为0.7031，表明其在检测粗细血管方面具有高度一致性，优于先前的深度学习方法（kappa = 0.6287）。
• 受试者工作特征曲线下面积（AUC）为0.9283，表明其在区分血管与非血管像素方面具有优异的判别能力。
• 在检测细小血管方面，该方法展现出更优的泛化能力与鲁棒性，经由样本图像#5和#16的放大视图视觉验证。
• 集成方法有效降低了过拟合风险并提升了模型稳定性，表现为在多种不同视网膜结构上的性能保持一致。