[论文解读] RetiNet: Automatic AMD identification in OCT volumetric data

Stefanos Apostolopoulos, Carlos Ciller+3 more|arXiv (Cornell University)|Oct 12, 2016

Retinal Imaging and Analysis被引用 15

一句话总结

RetiNet 提出了一种两阶段的弱监督深度学习框架，仅使用体积级别标签即可实现OCT影像中年龄相关性黄斑变性（AMD）的自动检测。该方法首先在由体积标签生成的损坏伪标签上训练一个2D B-Scan分类器，然后利用这些特征构建基于3D马赛克的网络来分类整个OCT体积，最终在公开数据集上实现了99.7%的AUC，优于当前最先进方法。

ABSTRACT

Optical Coherence Tomography (OCT) provides a unique ability to image the eye retina in 3D at micrometer resolution and gives ophthalmologist the ability to visualize retinal diseases such as Age-Related Macular Degeneration (AMD). While visual inspection of OCT volumes remains the main method for AMD identification, doing so is time consuming as each cross-section within the volume must be inspected individually by the clinician. In much the same way, acquiring ground truth information for each cross-section is expensive and time consuming. This fact heavily limits the ability to acquire large amounts of ground truth, which subsequently impacts the performance of learning-based methods geared at automatic pathology identification. To avoid this burden, we propose a novel strategy for automatic analysis of OCT volumes where only volume labels are needed. That is, we train a classifier in a semi-supervised manner to conduct this task. Our approach uses a novel Convolutional Neural Network (CNN) architecture, that only needs volume-level labels to be trained to automatically asses whether an OCT volume is healthy or contains AMD. Our architecture involves first learning a cross-section pathology classifier using pseudo-labels that could be corrupted and then leverage these towards a more accurate volume-level classification. We then show that our approach provides excellent performances on a publicly available dataset and outperforms a number of existing automatic techniques.

研究动机与目标

• 解决OCT体积中AMD检测因缺乏B-Scan级别真实标签而导致的标注资源有限问题。
• 开发一种仅需体积级别标签的弱监督学习策略，以减轻标注负担。
• 设计一种新型CNN架构，能够在无需逐切片标注的情况下有效捕捉3D OCT体积中的病理特征。
• 在仅使用粗粒度标签的前提下，超越现有方法在AUC及临床相关指标上的表现。

提出的方法

• 采用两阶段训练策略：首先在B-Scan上使用从体积标签中衍生的损坏伪标签对2D CNN进行预训练。
• 使用一个体积级别分类网络（RetiNet C）作为输入，处理单个体积中B-Scan的马赛克图像。
• 对OCT影像进行特定预处理，包括展平和归一化，以保持不同断面之间的解剖上下文信息。
• 利用最后一卷积层的激活图可视化并解释网络对病理特征（如玻璃疣和RPE破坏）的关注区域。
• 采用5折交叉验证，并与ImageNet预训练网络（VGG19、ResNet、DenseNet）以及弱监督基线方法（2DSeg）进行比较。
• 采用半监督学习方法，在缺乏详细标注的同时保持模型的高泛化能力。

实验结果

研究问题

• RQ1 仅使用体积级别标签而无需逐B-Scan标注，深度学习模型是否能在AMD检测中实现高性能？
• RQ2 两阶段CNN架构在从损坏伪标签中学习判别性特征方面，对OCT病理分类的有效性如何？
• RQ3 RetiNet在相同数据集上相较于使用全监督或弱监督训练的现有最先进模型，性能提升程度如何？
• RQ4 该模型是否能在无显式定位标注的情况下，学会在OCT体积中定位病理特征（如玻璃疣和RPE破坏）？

主要发现

• RetiNet C在公开OCT数据集上实现了99.7%的曲线下面积（AUC），显著优于Farsiu等人提出的半自动方法（99.17%）和Venhuizen等人提出的全自动方法（98.4%）。
• 与ImageNet预训练网络（VGG19、ResNet、DenseNet）相比，该模型表现出更优性能，后者因训练数据有限而出现严重过拟合。
• 2DSeg弱监督方法表现出较差的泛化能力，与作者原始研究结果一致，凸显了现有弱监督方法的局限性。
• 最后一卷积层的激活图清晰地突出了AMD病例中的病理区域，如玻璃疣和RPE破坏，而健康体积则显示较弱响应。
• 训练过程保持稳定且具备良好泛化能力，即使在70个周期后也未观察到显著过拟合，表明弱监督下的有效特征学习。
• 该模型在轻度AMD病例中表现欠佳，部分疑难病例因病理改变细微而被错误分类，表明早期阶段检测能力仍有待提升。