13
2018 Scientific Reports
Development of a deep residual learning algorithm to screen for glaucoma from fundus photography
Method : 分类
Dataset :3242 Train(1364N,1768G) Test(50N,60G)
two-dimensional color fundus photographs
(nonmyd WX, Kowa Company, Ltd., Aichi, Japan)
Architecture : ResNet
Results :AROC 96.5(95%CI:93.5~99.6)%
开发了一种深度残差学习算法来自动筛查眼底照片中的青光眼。在非高度近视和高度近视眼中具有高诊断能力。
Methods
研究目的是开发一种深度残差学习算法,用于从眼底照片筛查青光眼,并使用独立的数据集验证其诊断性能。
研究的第二个目标是验证深度残差学习算法在高度近视眼中的诊断能力。
(近视是开角型青光眼的一个危险因素。在高度近视的眼睛中,视盘在形态上与非高度近视眼的视觉不同。例如,ONH和RNFL变薄的倾转与近视相关。这些变化使得青光眼的检测成为近视患者的一项具有挑战性的任务。))
dataset
-
training
2144 × 1424 -
test
高度近视青光眼 28 ,非高度近视青光眼 33
高度近视正常眼 22 ,非高度近视正常眼 27
spectral-domain OCT (RS-3000 Advance, Nidek, Gamagori, Japan) images
OA-1000 optical biometer (Tomey, Nagoya, Japan) logarithm of the
mimimum angle of resolution (logMAR) RC-5000 refract-keratometer
(Tomey) RC-5000 non-contact tonometer (Tomey) Goldmann
applanation tonometer Kowa nonmyd WX camera
在青光眼模式下使用RS-3000 OCT扫描视神经乳头和黄斑。用十进制视力表测量最佳矫正视力(BCVA),然后将其转换为最小分辨角度(logMAR)的对数。用OA-1000光学生物计(Tomey,Nagoya,Japan)测量轴向长度,使用RC-5000折射角膜曲率计(Tomey)记录屈光不正,并使用RC-5000非接触眼压计(Tomey)或Goldmann压平眼压计测定IOP。使用Kowa nonmyd WX相机拍摄后眼底照片。
Pipeline
- 使用霍夫变换技术在视盘(64×64像素)周围修剪眼底图像
Hough transform technique - 防止过拟合
- 数据增强 水平竖直翻转
- 改变图片亮度值
将0到100之间的亮度值转换为0
between 100 and 190: linear mapping
190 和 255之间的亮度值转换为 255
对比实验:
- ResNet18
- 16 layer CNN(like Vgg16)
- SVM
- Random Forest
Discussion
-
本文的方法在高度近视诊断青光眼具有很高的诊断能力
在非高度近视和高度近视的眼睛中,诊断性能等于或优于眼科住院医师。 -
从眼底照片筛查青光眼,并且比其他深度学习模型和机器学习方法诊断性能都高很多
-
当前研究的局限性涉及照片选择,省略了可能干扰青光眼专家诊断的特征的照片。然而,识别低质量图像通常比自动筛查青光眼容易得多。
-
为了避免模型在视神经盘外部识别视网膜其他部分的特征,在训练模型之前裁剪图像。然而,在眼底照片上可能会在视神经盘外观察到其他青光眼的发现,例如神经纤维层缺陷和视神经盘出血。是否需要考虑这些信息