[论文解读] Identifying and Categorizing Anomalies in Retinal Imaging Data

Philipp Seeböck, Sebastian M. Waldstein+6 more|arXiv (Cornell University)|Dec 2, 2016

Retinal Imaging and Analysis被引用 22

一句话总结

该论文提出了一种无监督深度学习框架，利用深度卷积自编码器（DCAE）和一类SVM，在仅使用健康数据进行训练的情况下，检测并分类视网膜OCT图像中的异常。该方法在异常分割任务中取得了0.55的Dice分数，并实现了具有临床意义的病理聚类，下游分类任务的准确率达到86.6%。

ABSTRACT

The identification and quantification of markers in medical images is critical for diagnosis, prognosis and management of patients in clinical practice. Supervised- or weakly supervised training enables the detection of findings that are known a priori. It does not scale well, and a priori definition limits the vocabulary of markers to known entities reducing the accuracy of diagnosis and prognosis. Here, we propose the identification of anomalies in large-scale medical imaging data using healthy examples as a reference. We detect and categorize candidates for anomaly findings untypical for the observed data. A deep convolutional autoencoder is trained on healthy retinal images. The learned model generates a new feature representation, and the distribution of healthy retinal patches is estimated by a one-class support vector machine. Results demonstrate that we can identify pathologic regions in images without using expert annotations. A subsequent clustering categorizes findings into clinically meaningful classes. In addition the learned features outperform standard embedding approaches in a classification task.

研究动机与目标

• 在不依赖标注病理数据的情况下，检测视网膜OCT图像中具有诊断意义的异常。
• 开发一种方法，仅从健康视网膜图像中学习，以识别新型生物标志物。
• 通过聚类将检测到的异常区域分类为具有临床意义的亚型。
• 在下游分类任务中评估所学习特征的判别能力。

提出的方法

• 在健康OCT图像块上训练多尺度深度卷积自编码器（DCAE），以学习分层特征表示。
• 将两个DCAE尺度（32×32和下采样后的128×32）的特征拼接，并输入去噪自编码器，为每个超像素生成256维特征向量。
• 在健康超像素的256维特征上训练一类SVM，以定义正常与异常区域的决策边界。
• 使用余弦距离和Davies-Bouldin指数确定最优聚类数，通过球面K均值聚类对异常超像素进行子类型划分。
• 该框架实现了像素级异常分割，并进一步将异常分类为具有生物学可解释性的聚类。
• 通过Dice分数、IRC/SRF/其他类别的分类准确率以及专家对聚类解释的验证来评估性能。

实验结果

研究问题

• RQ1 仅使用健康训练数据，无监督模型能否在视网膜OCT图像中检测出具有临床意义的异常？
• RQ2 通过聚类，检测到的异常区域能否被有意义地划分为不同的病理亚型？
• RQ3 从DCAE中学习到的特征是否具备足够的判别能力以支持下游分类任务？
• RQ4 与传统的基于PCA的特征提取方法相比，所提出的方法在异常检测和分类中的表现如何？

主要发现

• 所提出的DCAEent模型在异常分割任务中取得了0.55的Dice分数，显著优于基于PCA的基线模型（0.33和0.32）。
• 结合DCAE特征的一类SVM在异常区域分割中表现出高精度（0.53）和高召回率（0.58）。
• 使用7个聚类的球面K均值聚类获得最低的Davies-Bouldin指数，并实现了异常的临床可解释性分类。
• 专家将聚类1识别为具有明亮水平边缘的RPE，聚类4识别为视网膜内积液，聚类3和5识别为视网膜下积液，证实了其临床相关性。
• DCAEent特征在三分类任务（IRC、SRF、其他）中实现了86.6%的平均分类准确率，优于基于PCA的模型（73.4%和73.3%）。
• t-SNE可视化结果表明，所学习的特征空间捕捉到了有意义的语义结构，聚类对应于不同的解剖和病理模式。