[论文解读] Pathological Myopic Image Analysis with Transfer Learning

Ruitao Xie, Libo Liu+2 more|arXiv (Cornell University)|Jul 31, 2019

Retinal Imaging and Analysis参考文献 7被引用 6

一句话总结

该论文提出了一种基于迁移学习的深度学习模型，用于病理性近视眼底图像分析，利用预训练的ResNet和VGG架构，在分类、黄斑区定位和视盘分割任务中均取得了最先进性能。该方法在ISBI 2019 PALM挑战赛中，分类和黄斑区定位任务获得第1名，视盘分割任务获得第2名。

ABSTRACT

We present a summary of transfer learning based methods for several challenging myopic fundus image analysis tasks including classification of pathological and non-pathological myopia,localisation of fovea,and segmentation of optic disc.By adapting existing popular deep learning architectures,our proposed methods have achieved 1st and 2nd place in several tasks at the Pathologic Myopia Challenge held at ISBI2019.

研究动机与目标

• 通过利用迁移学习，解决病理性近视眼底图像数据集标注有限的挑战。
• 通过自动分析视网膜眼底图像，提升病理性近视的早期诊断能力。
• 为三个关键任务（分类、黄斑区定位和视盘分割）开发稳健的深度学习模型。
• 通过微调ImageNet预训练模型，在小样本数据集上实现高性能。
• 使用真实世界竞赛基准，评估深度学习在病理性近视眼底图像分析中的临床潜力。

提出的方法

• 对ImageNet预训练的ResNet50进行微调，采用交叉熵损失和添加高斯噪声及随机旋转的数据增强技术，实现病理性与非病理性近视的分类。
• 通过融合第4和第5个卷积块的特征，对VGG19进行修改，并使用平均欧氏距离损失进行训练，以实现黄斑区定位。
• 提出一种类似U-Net的架构，采用ResNet34作为编码器，结合ASPP模块，通过跳跃连接和多尺度输入实现视盘分割。
• 结合分类交叉熵损失和Dice系数损失函数，以优化分割模型。
• 采用噪声注入和旋转等数据增强技术，提升小样本数据集上的泛化能力。
• 将自然图像领域预训练的模型迁移至医学眼底图像领域，仅需极少的任务特定微调。

实验结果

研究问题

• RQ1 在训练数据有限的情况下，能否通过ImageNet预训练模型的迁移学习实现病理性近视分类的高性能？
• RQ2 在眼底图像中，结合特征融合与欧氏距离损失的改进VGG19架构在黄斑区定位任务中的有效性如何？
• RQ3 结合ASPP模块和多尺度输入的混合U-Net与ResNet34架构能否提升视盘分割的准确性？
• RQ4 在病理性近视眼底图像分析任务中，微调后的预训练模型与标准架构相比表现如何？
• RQ5 在真实临床挑战（如PALM）中，使用小样本数据集进行迁移学习，能达到何种性能水平？

主要发现

• 所提出的迁移学习方法在病理性近视分类任务中AUC达到0.998，在PALM挑战赛中排名第一。
• 改进的VGG19模型在黄斑区定位任务中平均欧氏距离为0.0295，优于ResNet50和标准VGG19。
• 分割模型在视盘分割任务中获得第二名，表明结合交叉熵损失与Dice系数损失的策略具有强大性能。
• 采用高斯噪声和旋转增强的数据增强方法提升了小样本训练集上的鲁棒性与泛化能力。
• 结果表明，微调预训练模型即使在医疗影像数据有限的情况下，也能实现高精度。
• 尽管性能优异，仍观察到失败案例，表明在临床部署方面仍需进一步研究。