[论文解读] Eye Disease Classification Using Deep Learning Techniques

Tareq Babaqi, Manar Jaradat+3 more|arXiv (Cornell University)|Jul 19, 2023

Retinal Imaging and Analysis被引用 19

一句话总结

本论文比较使用 EfficientNet 的 CNN 与迁移学习在多类眼病分类（正常、白内障、糖尿病性视网膜病变、青光眼）上的性能，迁移学习达到 94% 的准确率，而 CNN 为 84%。

ABSTRACT

Eye is the essential sense organ for vision function. Due to the fact that certain eye disorders might result in vision loss, it is essential to diagnose and treat eye diseases early on. By identifying common eye illnesses and performing an eye check, eye care providers can safeguard patients against vision loss or blindness. Convolutional neural networks (CNN) and transfer learning were employed in this study to discriminate between a normal eye and one with diabetic retinopathy, cataract, or glaucoma disease. Using transfer learning for multi-class classification, high accuracy was achieved at 94% while the traditional CNN achieved 84% rate.

研究动机与目标

• 由于视力丧失风险和就医资源有限，推动早期发现眼病。
• 研究迁移学习是否能提升基于 CNN 的眼病分类。
• 在四个类别的数据集上使用标准指标评估性能（正常、白内障、糖尿病性视网膜病变、青光眼）。
• 将 EfficientNet 作为迁移学习的预训练模型来分类眼病。

提出的方法

• 使用带有预训练 EfficientNet 架构的 CNN 与迁移学习。
• 将图像从 512x512x3 重缩放到 224x224x3 以提升泛化能力。
• 将数据分为 70% 训练、20% 测试、10% 验证。
• 使用精确率、召回率、F1 分数和准确率进行评估。
• 通过准确率/损失曲线和混淆矩阵比较训练行为。

实验结果

研究问题

• RQ1 迁移学习是否能提升多类眼病分类中 CNN 的准确率？
• RQ2 在正常、白内障、糖尿病性视网膜病变和青光眼这四个类别上，CNN 与迁移学习在类别层面的性能差异是什么？
• RQ3 基于 EfficientNet 的迁移学习在从彩色眼底图像自动筛查眼病方面是否有效？

主要发现

Model	Class	Precision (%)	Recall (%)	F1-score (%)	Accuracy (%)
CNN	白内障	87	96	91	84
CNN	糖尿病性视网膜病变	100	100	100
CNN	青光眼	67	85	75
CNN	正常	86	56	68
迁移学习	白内障	97	96	96	94
迁移学习	糖尿病性视网膜病变	100	99	99
迁移学习	青光眼	94	85	89
迁移学习	正常	86	96	91

• 迁移学习达到的准确率（94%）高于 CNN（84%）。
• 糖尿病性视网膜病变在两种方法上都表现很高（CNN：100% 精确率/召回率/F1；TL：100% 精确率，99% 召回，99% F1）。
• Normal 类，TL 达到 86% 精确率、96% 召回、91% F1；CNN 达到 86% 精确率、56% 召回、68% F1。
• Cataract 类：TL（97% 精确率，96% 召回，96% F1）；CNN（87% 精确率，96% 召回，91% F1）。
• Glaucoma 类：TL（94% 精确率，85% 召回，89% F1）；CNN（67% 精确率，85% 召回，75% F1）。
• 迁移学习产生更平滑的训练准确率/损失曲线，并在混淆矩阵中显示出更清晰的改进。