Diabetic Retinopathy Detection

论文1

原论文来自
A Deep Learning Ensemble Approach for
Diabetic Retinopathy Detection
S. Qummar et al., “A Deep Learning Ensemble Approach for Diabetic Retinopathy Detection,” in IEEE Access, vol. 7, pp. 150530-150539, 2019, doi: 10.1109/ACCESS.2019.2947484.

文章发表在 IEEE access.

摘要

摘要主要介绍了使用眼底图片（retina image） DR 检测的重要性，同时，当前的自动检测方法的检测精度很低，尤其是对于早期阶段的检测。论文使用 Kaggle 上的数据集，训练五个卷积神经网络（Resnet50, InceptionV3, XException, Dense121, Dense169）的组合模型，实验表明这种模型的预测方法比当前的方法要好。

相关工作

介绍了一些前人 DR 检测的工作，主要是有两类，一类是二分类问题，判断是不是患病，一类是多分类问题，判断患病的阶段。但是很多的工作都判断不准，尤其是早期的阶段，而 DR 预测在早期又非常的重要。
论文提出了使用 Kaggle 数据集来预测 DR 的 mild stage，并且表现比较好。另外，文章还提到了数据的不均衡对预测结果的影响。

方法

总共是 35126 张图片，而且类别很不均衡，大多是 0 类（未患病）。论文进行了上采样和下采样来进行训练。

首先将图片裁剪为 786 x 512 的尺寸，并且针对上采样的情况，还进行了图片增强，包括 crop, flip, rotate. 然后训练每个模型上的输出。

组合模型

将每个模型的结果输出，然后取平均值。

结果和讨论

这里主要介绍了一些性能评价指标，以及一些讨论。
准确率：分类正确的样本占总体样本的数量。这个其实并不太能够反映真实情况，因为总共三万多的样本，其中正常的就有两万多，非常不均衡。

召回率：所有患病的样本中，预测正确的占多少。
这个应该是非常重要的指标，应该尽可能的高，因为这种情况对应着漏诊。

Specificity: 所有不患病的样本中，预测正确的占了多少。
这个对应着误诊的情况，可以效果差一些。

Precision：所有预测患病的样本中，预测正确的占多少。
这个就对应着我预测的精准度，而且比 accuracy 更能说明情况，因为患病的样本才是我们真正关注的。

F1 得分：这个就是按照公式理解即可，当然得分越高越好。

ROC 和 AUC 曲线：具体介绍可以查看ROC，AUC 可以理解为 ROC 的面积。

可以看到在不均衡的数据集上，结果如下：

在上采样的数据集上，结果如下：


在下采样的结果如下所示：

分析

上采样之后，确实会有一些性能的改善，但是 Recall 这个参数，还远远达不到精度，这个是基本上两个人中，就会有一个漏诊，这是非常不能够忍受的。

或者说，这种卷积的模型根本没有学到这些细微的特征。