[论文解读] Glaucoma Detection From Raw Circumapillary OCT Images Using Fully Convolutional Neural Networks

Gabriel García, Rocío del Amor+2 more|arXiv (Cornell University)|May 29, 2020

Retinal Imaging and Analysis被引用 9

一句话总结

本论文提出了一种端到端的深度学习方法，仅使用原始的环视杯OCT B型扫描图像进行青光眼检测，比较了从零开始训练的模型与微调后的VGG架构的性能。表现最佳的模型为微调后的VGG19，其在独立测试集上的AUC为0.9594，准确率为0.9230，类别激活图（CAMs）证实模型关注于临床上相关的视网膜神经纤维层（RNFL）区域。

ABSTRACT

Nowadays, glaucoma is the leading cause of blindness worldwide. We propose in this paper two different deep-learning-based approaches to address glaucoma detection just from raw circumpapillary OCT images. The first one is based on the development of convolutional neural networks (CNNs) trained from scratch. The second one lies in fine-tuning some of the most common state-of-the-art CNNs architectures. The experiments were performed on a private database composed of 93 glaucomatous and 156 normal B-scans around the optic nerve head of the retina, which were diagnosed by expert ophthalmologists. The validation results evidence that fine-tuned CNNs outperform the networks trained from scratch when small databases are addressed. Additionally, the VGG family of networks reports the most promising results, with an area under the ROC curve of 0.96 and an accuracy of 0.92, during the prediction of the independent test set.

研究动机与目标

• 开发一种仅使用原始环视杯OCT B型扫描图像进行青光眼计算机辅助诊断的系统，不依赖视野或眼压数据。
• 在小型私有OCT数据集上，比较从零开始训练的卷积神经网络（CNN）与微调后的先进架构的性能。
• 通过生成类别激活图（CAMs）并将其与资深眼科医生的解读进行比较，评估模型预测的临床相关性。
• 证明单张环视杯OCT图像已包含足够诊断信息，可实现准确的青光眼检测。

提出的方法

• 使用Heidelberg Spectralis OCT设备获取了249张环视杯OCT B型扫描图像（156张正常，93张青光眼），每张图像大小为496×768像素，数据集为私有数据。
• 将数据划分为4/5训练集（73例青光眼，124例正常）和1/5独立测试集（20例青光眼，32例正常），并通过内部交叉验证进行超参数调优。
• 从零开始训练浅层CNN，网络结构包含卷积层、批量归一化层、池化层、Dropout层和全连接层，采用类别权重[1.35, 0.79]优化二元交叉熵损失，以缓解类别不平衡问题。
• 在相同数据集上对预训练的VGG16和VGG19架构进行微调，利用迁移学习提升小样本数据集上的性能。
• 生成类别激活图（CAMs）以可视化OCT图像中模型的关注区域，特别聚焦于视网膜神经纤维层（RNFL），以验证模型的可解释性。
• 使用标准指标评估模型性能：AUC、准确率、敏感性、特异性、阳性预测值（PPV）、阴性预测值（NPV）、F1分数，最终模型在独立保留测试集上进行评估。

实验结果

研究问题

• RQ1 仅基于原始环视杯OCT B型扫描图像训练的深度学习模型，是否能在不依赖视野或眼压测量等外部数据的情况下，实现高精度的青光眼检测？
• RQ2 在小型私有OCT数据集上，微调预训练的CNN架构（如VGG16/VGG19）是否优于从零开始训练的模型？
• RQ3 最佳性能模型生成的注意力图（CAMs）是否与临床上关于青光眼患者RNFL厚度变化的认知一致？
• RQ4 所提出方法在青光眼检测中的性能与现有基于眼底或OCT图像的最先进方法相比如何？

主要发现

• 微调后的VGG19在独立测试集上取得了最高的AUC（0.9594），优于所有其他模型，包括VGG16（AUC 0.9578）和从零开始训练的模型。
• 微调后的VGG19模型准确率达到0.9230，敏感性为0.8510，特异性为0.9688，表明其具有出色的诊断性能。
• 类别激活图（CAMs）显示，模型关注于视网膜神经纤维层（RNFL），其模式与临床专业知识一致——健康眼呈现增厚，青光眼病例呈现变薄。
• 从零开始训练的模型在小样本数据集上表现较差，凸显了在数据有限场景下迁移学习的优势。
• 微调后VGG19的AUC（0.9594）高于以往在类似任务中使用眼底图像报告的结果（如[5]中AUC 0.94，[7]中AUC 0.91），表明其在OCT特异性数据上的优越性能。
• 使用类别权重[1.35, 0.79]通过缓解正常与青光眼样本之间的类别不平衡，提升了模型的泛化能力。