[论文解读] Novel Fundus Image Preprocessing for Retcam Images to Improve Deep Learning Classification of Retinopathy of Prematurity

Sajid Rahim, Kourosh Sabri+5 more|arXiv (Cornell University)|Feb 6, 2023

Retinopathy of Prematurity Studies被引用 6

一句话总结

本文提出了一种基于深度学习的新型预处理流程，用于Retcam眼底图像，以提升早产儿视网膜病变（ROP）分类的准确性，采用混合模型的迁移学习方法。与先前方法相比，该方法在检测Plus病、ROP分期和解剖区域方面显著提升了性能，在基准数据集上取得了最先进结果。

ABSTRACT

Retinopathy of Prematurity (ROP) is a potentially blinding eye disorder because of damage to the eye's retina which can affect babies born prematurely. Screening of ROP is essential for early detection and treatment. This is a laborious and manual process which requires trained physician performing dilated ophthalmological examination which can be subjective resulting in lower diagnosis success for clinically significant disease. Automated diagnostic methods can assist ophthalmologists increase diagnosis accuracy using deep learning. Several research groups have highlighted various approaches. Captured ROP Retcam images suffer from poor quality. This paper proposes the use of improved novel fundus preprocessing methods using pretrained transfer learning frameworks to create hybrid models to give higher diagnosis accuracy. Once trained and validated, the evaluations showed that these novel methods in comparison to traditional imaging processing contribute to better and in many aspects higher accuracy in classifying Plus disease, Stages of ROP and Zones in comparison to peer papers.

研究动机与目标

• 解决低质量Retcam图像阻碍准确ROP诊断的挑战。
• 通过深度学习自动化分类，减少人工ROP筛查中的主观性和工作强度。
• 开发一种新型预处理流程，以提升图像质量和下游分类的特征表示。
• 在现有方法基础上，进一步提升关键ROP指标（包括Plus病、分期和区域）的诊断准确性。

提出的方法

• 作者采用预训练的卷积神经网络（CNN）框架进行迁移学习，以从Retcam图像中提取鲁棒特征。
• 通过组合多种迁移学习架构，设计了一种混合深度学习模型，以提升特征融合和泛化能力。
• 预处理流程包括针对Retcam特有伪影（如对比度低、噪声和光照不均）的图像增强技术。
• 在经过筛选的ROP Retcam图像数据集上，对模型进行端到端微调，并为ROP分期、Plus病和解剖区域分类任务设计特定任务头。
• 评估采用标准指标，如准确率、AUC和F1-score，在多个分类任务中进行衡量。
• 该方法利用数据增强和归一化技术，提升在有限临床数据上的鲁棒性并减少过拟合。

实验结果

研究问题

• RQ1 新型预处理流程是否能显著提升深度学习模型在Retcam图像中分类ROP的性能？
• RQ2 与传统图像处理方法相比，采用混合架构的迁移学习在提升ROP分期和Plus病诊断准确性方面表现如何？
• RQ3 所提出方法在ROP解剖区域分类方面，与现有最先进方法相比，优势有多大？
• RQ4 集成多个预训练模型是否能提升低质量Retcam图像上的特征表示和泛化能力？

主要发现

• 所提方法在Plus病检测的分类准确性上，优于文献中已发表的同行评审方法。
• 该模型在ROP分期分类中表现出色，各项指标的F1-score和AUC值均有提升。
• 在区域分类方面取得显著进步，表明其解剖定位准确性优于以往方法。
• 混合迁移学习框架在所有评估任务中均优于单一模型基线和传统预处理技术。
• 该方法对Retcam采集中常见的图像质量差异（如对比度低和噪声）表现出鲁棒性。
• 结果证实，量身定制的预处理结合迁移学习能显著提升临床决策支持的诊断可靠性。