基于深度学习的视网膜眼底图像视盘定位与青光眼分类两阶段框架
计算机视觉与模式识别
2020-06-01 v1 机器学习
图像与视频处理
摘要
随着强大的图像处理与机器学习技术的发展，计算机辅助诊断（CAD）在包括眼科学在内的医学各个领域日益普及。由于视盘是视网膜眼底图像中用于青光眼检测的最重要部分，本文提出了一个两阶段框架，首先检测并定位视盘，然后将其分类为健康或青光眼。第一阶段基于 RCNN，负责从视网膜眼底图像中定位并提取视盘；第二阶段使用 Deep CNN 将提取的视盘分类为健康或青光眼。除了所提出的解决方案外，我们还开发了一种基于规则的半自动真值生成方法，为训练基于 RCNN 的自动视盘定位模型提供必要的标注。所提出的方法在七个公开数据集上进行了视盘定位评估，并在 ORIGA 数据集（目前最大的公开青光眼分类数据集）上进行了青光眼分类评估。自动定位的结果在六个数据集上达到了新的 state-of-the-art，其中四个数据集的准确率达到 100%。对于青光眼分类，我们取得了 0.874 的 AUC，相比先前在 ORIGA 上取得的 state-of-the-art 分类结果有 2.7% 的相对提升。在经过精心标注的数据上训练后，基于深度学习的视盘检测与定位方法不仅鲁棒、准确且全自动，还消除了对依赖数据集的启发式算法的需求。我们在 ORIGA 上对青光眼分类的经验评估表明，对于存在类别不平衡且没有预定义训练/测试划分的数据集，仅报告 AUC 无法真实反映分类器的性能，需要额外的性能指标来证实结果。
引用
@article{arxiv.2005.14284,
title = {Two-stage framework for optic disc localization and glaucoma classification in retinal fundus images using deep learning},
author = {Muhammad Naseer Bajwa and Muhammad Imran Malik and Shoaib Ahmed Siddiqui and Andreas Dengel and Faisal Shafait and Wolfgang Neumeier and Sheraz Ahmed},
journal= {arXiv preprint arXiv:2005.14284},
year = {2020}
}
备注
16 Pages, 10 Figures