Deep Learning Is Effective for Classifying Normal versus Age-Related Macular Degeneration OCT Images

深度学习在老年性黄斑中的分类应用

一、方法与结果总结

1.研究方法
仪器： Heidelberg Spectralis
从OCT数据库中获取图像并链接至EMR（电子病历）中，需要注意的是，我们只取两类对象的图片：健康与AMD（老年性黄斑患者），而且每个患者的OCT断层图像只取中心的11张图像。通过随机数据集训练网络，最终从患者角度、黄斑OCT角度、图像角度建立ROC曲线。
实验结果的好坏由ROC曲线下方(即：accuracy)的面积来衡量

2.实验结果
数据量：260w张OCT图像、52690张正常人的OCT图像、48312张老年性黄斑患者OCT图像
图像角度： we achieved an area under the ROC curve of 92.78% with an accuracy of 87.63%
黄斑角度： we achieved an area under the ROC curve of 93.83% with an accuracy of 88.98%
病人角度：we achieved an area under the ROC curve of 97.45% with an accuracy of 93.45%

3.总结
实验取得较好的结果，可能对未来电子诊断工具的产生有一定的帮助

二、正文探讨
1.数据来源
Heidelberg Spectralis imaging database 关于2006到2016的OCT图像，扫描方式：Each macular scan was obtained using a 61-line raster macula scan, and every image of each macular OCT was extracted，并同时参考该图像的电子病历，包括诊断信息，确诊日期等信息。

2.数据的分布情况

3.图像特性
the decision was made a priori to select the central 11 images from each macular OCT set, and each image was then
treated independently, labeled as either normal or AMD
图像大小压缩为192x124
20%的健康者和20%的患病者图片作为validation，其余都用于训练。并确保验证集和训练集不存在交叉的情况。划分完成后，随机打乱数据。

4.深度学习模型

• 模型修改自VGG16模型

• 权重使用Xavier algorithm进行初始化

• batchsize为100张图片

• learningrate为0.001

• 使用随机梯度下降作为优化

• 每次迭代都记录损失，500次迭代进行一次验证集的验证

• loss降低与验证精度降低时，模型停止

• occlusion test： 由20x20的方框遍历整个图片，遮挡遍历位置，一旦遮挡后图像的“概率”（此处不解）变低，则说明是深度学习所感兴趣的地方

• 
  5.result

  
  
  经过8000轮迭代后停止训练，训练后评价一幅图像的时间为4.97ms

• 图片的关注区域
  -

6.关于实验的讨论

• 模型还具有一定的局限性，可能被CNVM的病理图像所干扰，未来可加入其它不同类型的图像以增强对AMD判断的敏感性

【其它笔记参考：引用1】
【论文地址：引用2】