[论文解读] Lesion detection and Grading of Diabetic Retinopathy via Two-stages Deep Convolutional Neural Networks

Yehui Yang, Tao Li+4 more|arXiv (Cornell University)|May 1, 2017

Retinal Imaging and AnalysisMedicine被引用 22

一句话总结

本文提出一种用于自动糖尿病视网膜病变（DR）分析的两阶段深度卷积神经网络（DCNN），结合病灶检测与严重程度分级。该方法采用局部网络进行病灶定位，全局网络结合非平衡加权图以优先关注病灶密集区域，显著提升了端到端模型在DR分级任务中的准确率。

ABSTRACT

We propose an automatic diabetic retinopathy (DR) analysis algorithm based on two-stages deep convolutional neural networks (DCNN). Compared to existing DCNN-based DR detection methods, the proposed algorithm have the following advantages: (1) Our method can point out the location and type of lesions in the fundus images, as well as giving the severity grades of DR. Moreover, since retina lesions and DR severity appear with different scales in fundus images, the integration of both local and global networks learn more complete and specific features for DR analysis. (2) By introducing imbalanced weighting map, more attentions will be given to lesion patches for DR grading, which significantly improve the performance of the proposed algorithm. In this study, we label 12,206 lesion patches and re-annotate the DR grades of 23,595 fundus images from Kaggle competition dataset. Under the guidance of clinical ophthalmologists, the experimental results show that our local lesion detection net achieve comparable performance with trained human observers, and the proposed imbalanced weighted scheme also be proved to significantly improve the capability of our DCNN-based DR grading algorithm.

研究动机与目标

• 开发一种自动化系统，用于在眼底图像中检测视网膜病灶并分级DR严重程度，解决现有端到端深度学习模型的局限性。
• 通过引入两阶段架构，克服端到端DCNN中微小、不显眼病灶（如微动脉瘤）被忽略的挑战。
• 通过应用非平衡加权图，强调训练过程中病灶密集区域的重要性，从而提升DR分级性能。
• 通过定位病灶类型（如微动脉瘤、出血灶）并分配严重程度等级（NPDR为0–3级），提供具有临床可解释性的输出。

提出的方法

• 该方法采用两阶段DCNN：局部网络用于病灶检测，全局网络用于DR严重程度分级。
• 从12,206张病灶图像中提取并标注病灶区域，23,595张眼底图像的DR等级在临床眼科医生指导下重新标注。
• 引入非平衡加权图，为病灶更严重的图像区域分配更高关注权重，增强全局分级网络的特征学习能力。
• 局部网络在二分类病灶检测任务中表现与训练有素的人类观察者相当（AUC = 0.9590，对应高敏感性/高特异性点）。
• 全局网络采用加权损失函数进行训练，优先处理误分类或细微病例，提升早期DR检测的鲁棒性。
• 该框架在Kaggle糖尿病视网膜病变检测竞赛的重新标注数据集上进行评估，通过ROC曲线与Kappa系数进行验证。

实验结果

研究问题

• RQ1 两阶段DCNN架构是否在检测视网膜病灶与分级DR严重程度方面优于端到端DCNN？
• RQ2 与标准训练方式相比，使用非平衡加权图是否显著提升DR分级网络的性能？
• RQ3 所提出方法能否同时定位并分类多种病灶类型（如微动脉瘤、出血灶、渗出灶），并准确分配严重程度等级？
• RQ4 该病灶检测网络在相同数据集上的表现与训练有素的人类观察者相比如何？
• RQ5 该加权方案在多大程度上减少了轻度或早期DR病例的误分类？

主要发现

• 所提出的两阶段DCNN在加权方案下实现0.9590的AUC用于可转诊DR检测，而非加权基线仅为0.7986。
• 病灶检测网络表现与训练有素的人类观察者相当，ROC曲线上标出了敏感性与特异性点。
• 非平衡加权图显著提升了DR分级的Kappa系数与准确率，如图7所示。
• 采用加权方案的全局网络在严重程度分级任务中优于非加权版本与标准AlexNet。
• 通过整合局部与全局网络，利用全局分级步骤中的整体图像上下文信息，降低了局部网络的错误率。
• 该方法成功定位并分类了三种主要病灶类型——微动脉瘤、出血灶与渗出灶，同时准确分配了NPDR严重程度等级（0–3级）。