用于糖尿病视网膜病变筛查的深度图像挖掘

深度学习正迅速成为医学图像分析的主流方法。给定一个大型医学档案，其中每幅图像都关联一个诊断，几乎不需要关于目标病变的专家知识即可训练出高效的病理检测器或分类器。然而，深度学习算法，包括流行的 ConvNets，都是黑盒：人们很少知道 ConvNets 为在图像级做出决策所分析的局部模式。本文提出一种解决方案，用于创建热图以显示图像中哪些像素在图像级预测中起作用。换言之，为图像级分类训练的 ConvNet 也可用于检测病变。为了训练生成高质量热图的 ConvNets，提出了一种反向传播方法的推广。该解决方案应用于糖尿病视网膜病变（DR）筛查，使用了来自 2015 Kaggle 糖尿病视网膜病变竞赛的近 90,000 张眼底照片数据集以及近 110,000 张照片的私有数据集（e-ophtha）。对于可转诊 DR 检测任务，取得了非常好的检测性能：Kaggle 数据集中 $A_z = 0.954$，e-ophtha 中 $A_z = 0.949$。在 DiaretDB1 数据集中还在图像级和病变级上评估了性能，该数据集手动分割了四类病变：微动脉瘤、出血、渗出物和棉絮斑。所提出的检测器优于近期专门训练用于检测这些病变的算法，以及用于 ConvNets 的竞争热图生成算法。该检测器是 Messidor 移动眼病理筛查系统的一部分。由于它不依赖专家知识或手动分割来检测相关模式，所提出的解决方案是一种有前景的图像挖掘工具，具有在图像中发现新生物标志物的潜力。