一种基于集成深度学习的眼底图像红色病灶检测方法
计算机视觉与模式识别
2017-10-16 v2
摘要
糖尿病视网膜病变是世界上可预防失明的主要原因之一。其最早期的迹象是红色病灶，这是一个统称微动脉瘤和出血的通用术语。在日常临床实践中，医生使用眼底照片手动检测这些病灶。然而，由于病灶尺寸小且缺乏对比度，这项任务繁琐且耗时，需要投入大量精力。基于红色病灶检测的 DR 计算机辅助诊断正在被积极探索，因为它能提高临床医生的一致性和准确性。文献中已提出多种检测红色病灶的方法，其中大多数基于使用手工特征表征候选病灶，并将其分类为真阳性或假阳性检测。相比之下，由于手动标注病灶成本高昂，基于深度学习的方法在该领域较为稀缺。在本文中，我们提出了一种结合深度学习与领域知识的新型红色病灶检测方法。CNN 学习到的特征通过引入手工特征得到增强。随后使用随机森林分类器利用这种描述符集成向量来识别真实病灶候选。我们通过实验观察到，结合这两种信息源相比单独使用任一方法显著改善了结果。此外，与第二位人类专家相比，我们的方法在 DIARETDB1 和 e-ophtha 上基于单病灶的性能最高，在 MESSIDOR 上的筛查和转诊需求性能也最高。结果突显了这样一个事实：当网络从病灶级标注数据训练时，将手工设计方法与深度学习特征相结合对于改善结果是相关的。我们系统的开源实现已在线公开。
引用
@article{arxiv.1706.03008,
title = {An Ensemble Deep Learning Based Approach for Red Lesion Detection in Fundus Images},
author = {José Ignacio Orlando and Elena Prokofyeva and Mariana del Fresno and Matthew B. Blaschko},
journal= {arXiv preprint arXiv:1706.03008},
year = {2017}
}
备注
Accepted for publication in Computer Methods and Programs in Biomedicine