Microaneurysm Detection Using Fully Convolutional Neural Networks

 

Microaneurysm Detection Using Fully Convolutional Neural Networks

(Piotr Chudzik et al.)

Introduction

Retinopatia diabetică (DR) este o complicație severă care afectează aproape o treime dintre pacienții cu diabet din întreaga lume și este cauza principală a pierderii vederii. Manifestarea primară a DR este dezvoltarea microanevrismelor (MA), care sunt leziuni mici, rotunde, roșii pe retină. Detectarea precisă și în timp util a MA este esențială în prevenirea progresiei bolii, dar acest proces rămâne provocator din cauza complexității și variabilității imagistice retiniene. MA sunt greu de distins din cauza dimensiunilor lor mici, a contrastului scăzut față de fundalul retinian și a asemănării cu alte structuri anatomice. Metodele tradiționale de screening se bazează pe expertiza oftalmologilor pentru a identifica aceste leziuni minuscule din fotografiile fundului de ochi.

Articolul prezintă o abordare automată a detectării MA, propunând un model de rețea neuronală complet convoluțională care valorifică învățarea profundă pentru a identifica cu precizie MA în imaginile retiniene. Motivația din spatele acestei cercetări constă în nevoia de soluții fiabile, coerente și scalabile pentru a îmbunătăți screening-ul DR, în special în regiunile cu resurse limitate, unde accesul la oftalmologi poate fi limitat.

Methodology

Autorii propun un patch-based CNN pentru detectarea MA în imaginile fundului retinian. Arhitectura se concentrează pe o abordare de procesare în trei etape. Cele trei componente principale ale acestui model includ preprocesarea, extragerea patch-urilor și clasificarea în funcție de pixeli.

1.        Preprocessing: Imaginile sunt preprocesate pentru analiză prin extragerea canalului verde, care oferă cel mai mare contrast. Imaginile sunt iluminate și se aplică o mască pentru limitarea analizei din câmpul vizual (FOV). Preprocesarea reduce zgomotul și imbunătațește calitatea imaginilor.

2.        Patch Extraction and Classification: CNN procesează patch-uri de imagine mai mici. Fiecare patch este supus clasificării pentru a determina dacă conține pixeli MA, sporind granularitatea și specificitatea detectării.

Training and Transfer Learning: Autorii abordează limitările seturilor de date medicale mici, antrenând CNN pe un set de date și ajustându-l pe altele. Această abordare permite modelului să se generalizeze mai bine în condiții variate de imagistică retiniană și să folosească cunoștințele anterioare, îmbunătățind ratele de detectare chiar și atunci când datele de antrenament sunt limitate.

Experimental Design, Datasets, Results and Performance

Performanța modelului a fost evaluată pe trei seturi de date: E-Ophtha, DIARETDB1 și ROC. Aceste seturi de date diferă în ceea ce privește rezoluția, calitatea imaginii și surse, oferind o evaluare cuprinzătoare a robusteței CNN. FROC este utilizată ca măsurătoare de performanță primară. Această măsurătoare de evaluare este deosebit de potrivită pentru detectarea MA, deoarece abordează eficient dezechilibrul dintre pixelii MA și non-MA.1.       E-Ophtha: Cu peste 380 de imagini colectate de la diferite centre de screening din Franța, E-Ophtha prezintă un set de date provocator datorită calității sale diverse a imaginii și condițiilor de iluminare. Setul de date oferă, de asemenea, adnotări la nivel de pixeli pentru MA.

2.        DIARETDB1: 89 de imagini retiniene capturate în condiții controlate, fiecare imagine fiind adnotată de mai mulți evaluatori.

3.        ROC: Retinopathy Online Challenge cuprinde 100 de imagini luate de la diferite camere pentru fundul de ochi.

Conclusions

Prin eliminarea necesității de caracteristici realizate manual, modelul reduce dependența de expertiza domeniului, făcându-l adaptabil la diferite condiții de imagine și mai scalabil pentru aplicații mai largi. Studiul evidențiază rolul critic al învățării prin transfer în imagistica medicală, unde seturile mari de date adnotate sunt rare. Cu toate acestea, timpul actual de procesare de aproximativ 120 de secunde per imagine prezintă o limitare pentru screening-ul de mare debit, indicând necesitatea unor optimizări viitoare, cum ar fi inferența paralelizată, pentru a crește viteza.