A Deep Learning-Based Unified Framework for Red Lesions Detection on Retinal Fundus Images

要約

赤浸透、微生物尿症（MAS）および出血（HMS）は、糖尿病性網膜症（DR）の初期兆候です。
網膜眼底画像でのMASおよびHMSの自動検出は、困難な作業です。
既存の方法のほとんどは、テクスチャ、サイズ、形態の違いがあるため、MASまたはHMのみを検出します。
一部の方法はMASとHMの両方を検出しますが、形状と色の機能の次元の呪いに悩まされ、火炎型などのHMのすべての形状のバリエーションを検出できません。
深い学習の進捗状況を活用して、大小の赤い病変を同時に扱う2ストリーム赤い病変検出システムを提案しました。
このシステムでは、眼底画像に大きな赤い病変のための新しいROIS候補生成方法を導入しました。
これは、血管のセグメンテーションと形態学的操作に基づいており、計算の複雑さを減らし、少数の潜在的な候補を生成することにより検出の精度を高めます。
検出のために、2つのストリームを持つフレームワークを提案しました。
前処理されたVGGNETをバックボーンモデルとして使用し、容器のセグメンテーションと候補者の生成のためにチューニングするためにいくつかの広範な実験を実行し、最終的に適切なマッピングを学習し、最先端の方法と比較して赤い病変のより良い検出をもたらします。
実験結果は、MASとHMSの両方の検出におけるシステムの有効性を検証しました。
病変ごとの検出に対してより高いパフォーマンスをもたらします。
その感度は0.8589とDiaretDB1-MAの8 FPI未満の良好なFROCスコアに相当し、FROC = 0.7518、SN = 0.7552およびDiARETDB1-HMで2,4および8 FPI未満の良好なFROCスコアで、E-OPHTHAではFROC = 0.4537およびFROCのFROC katisetでSn = 0.8157に相当
最先端の方法。
DRスクリーニングの場合、システムはDiaretDB1-MA、DiaretDB1-HM、およびE-OPHTHAデータセットの優れたAUCでうまく機能します。

要約(オリジナル)

Red-lesions, microaneurysms (MAs) and hemorrhages (HMs), are the early signs of diabetic retinopathy (DR). The automatic detection of MAs and HMs on retinal fundus images is a challenging task. Most of the existing methods detect either only MAs or only HMs because of the difference in their texture, sizes, and morphology. Though some methods detect both MAs and HMs, they suffer from the curse of dimensionality of shape and colors features and fail to detect all shape variations of HMs such as flame-shaped. Leveraging the progress in deep learning, we proposed a two-stream red lesions detection system dealing simultaneously with small and large red lesions. For this system, we introduced a new ROIs candidates generation method for large red lesions on fundus images; it is based on blood vessel segmentation and morphological operations, and reduces the computational complexity, and enhances the detection accuracy by generating a small number of potential candidates. For detection, we proposed a framework with two streams. We used pretrained VGGNet as a backbone model and carried out several extensive experiments to tune it for vessels segmentation and candidates generation, and finally learning the appropriate mapping, which yields better detection of the red lesions comparing with the state-of-the-art methods. The experimental results validated the effectiveness of the system in the detection of both MAs and HMs; it yields higher performance for per lesion detection; its sensitivity equals 0.8589 and good FROC score under 8 FPIs on DiaretDB1-MA reports FROC=0.7518, and with SN=0.7552 and good FROC score under 2,4and 8 FPIs on DiaretDB1-HM, and SN=0.8157 on e-ophtha with overall FROC=0.4537 and on ROCh dataset with FROC=0.3461 which is higher than the state-of-the art methods. For DR screening, the system performs well with good AUC on DiaretDB1-MA, DiaretDB1-HM, and e-ophtha datasets.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google