【医学+深度论文：F08】2018 Performance of Deep Learning Architectures and Transfer Learning for Detecting

08

Performance of Deep Learning Architectures and Transfer Learning for Detecting Glaucomatous Optic Neuropathy in Fundus Photographs

2018

Method ： ONH 二分类问题
Dataset ：14822（stereoscopic）
Architecture : model - VGG16/Inceptionv3/ResNet50；transfer - pretraining on ImageNet database
Results ： Best model AUC=0.91，moderate-to-severe 0.97，mild AUC 0.89

评估了几种深度学习架构和迁移学习

不同的CNN结构最适合于不同的问题，而且事先知道什么结构适合于给定的任务是很困难的，因此经验测试通常是确定这个问题的最佳方法。

Methods

Data

• Nidek Stereo Camera Model 3-DX (Nidek Inc, Palo Alto, California)

simultaneous stereoscopic ONH photographs

• VF
  Humphrey Field Analyzer II (Carl Zeiss Meditec, Dubin, CA)
  standard 24-2 testing pattern / the Swedish Interactive Tresholding Algorithm

Preprocessing and Data Augmentation

在训练数据的子集上建立了一个单独的深度学习模型来估计disc中心的位置
同一患者的图片分在同一个分区中
数据增强

ONH图像降采样到一个共同的大小为224 × 224像素。

评价健康组、轻度功能丧失组、中度功能丧失组和重度功能丧失组AUC的均值和标准差。此外，还计算了该模型在不同特异性水平下识别任何轻度、中度和重度多边形的敏感度，以表征模型性能。

其他人实验标记为GON要求: cup-to-disc 0.70，局限性切口，边缘宽度≤0.1 disc直径，可见神经fber层缺损，或disc出血。

Results

• 使用 transfer 更好
• transfer Resnet50最好
• 检测重度青光眼正确率更高

Discussion

不同种族群体
比较不同的深度学习架构(VGG16 vs. Inception vs. ResNet50)和策略(原生学习vs.迁移学习)的结果，可能有助于为将来识别GON的模型开发提供指导。
未来的工作应该研究ONH区域大小、分辨率以及立体信息对模型性能的影响。合并更多的周边和立体信息可能有助于改善青光眼损伤的识别。