深度学习技术在青光眼严重程度分级中的性能评估
计算机视觉与模式识别
2018-11-01 v1
摘要
目的：基于彩色眼底图像，验证并比较八种现有深度学习架构在青光眼严重程度分级中的性能。材料与方法：我们回顾性收集了5978张眼底图像的数据集，其青光眼严重程度由两位经验丰富的眼科医生共识标注。我们对图像进行预处理，生成全局与局部感兴趣区域（ROI），即全局视野图像与局部视盘区域图像。随后将生成的图像划分为训练、验证和测试三个独立子集。利用该数据集，分别训练八种卷积神经网络（CNN）（即VGG16、VGG19、ResNet、DenseNet、InceptionV3、InceptionResNet、Xception和NASNetMobile）以分级青光眼严重程度，并使用受试者工作特征（ROC）曲线下面积与二次kappa分数进行定量验证。结果：除VGG16和VGG19外，其余CNN在全局与局部ROI上从头训练时平均kappa分数分别为80.36%和78.22%，使用预训练权重微调时分别为85.29%和82.72%。VGG16和VGG19从头训练时取得了合理精度，但在全局与局部ROI上使用预训练权重时失败。在这些CNN中，基于预训练权重，DenseNet在全局ROI上分类精度最高（即75.50%），而局部ROI上为65.50%。结论：实验证明了深度学习技术在青光眼严重程度分级中的可行性。特别是，全局视野图像包含相对更丰富的信息，可能对青光眼评估至关重要，表明应使用眼底图像的整个视野来训练深度学习网络。
引用
@article{arxiv.1810.13376,
title = {Performance assessment of the deep learning technologies in grading glaucoma severity},
author = {Yi Zhen and Lei Wang and Han Liu and Jian Zhang and Jiantao Pu},
journal= {arXiv preprint arXiv:1810.13376},
year = {2018}
}