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

深度學習在老年性黃斑中的分類應用

一、方法與結果總結

1.研究方法

儀器： Heidelberg Spectralis

從OCT資料庫中擷取圖像并連結至EMR（電子病曆）中，需要注意的是，我們隻取兩類對象的圖檔：健康與AMD（老年性黃斑患者），而且每個患者的OCT斷層圖像隻取中心的11張圖像。通過随機資料集訓練網絡，最終從患者角度、黃斑OCT角度、圖像角度建立ROC曲線。

實驗結果的好壞由ROC曲線下方(即：accuracy)的面積來衡量

2.實驗結果

資料量：260w張OCT圖像、52690張正常人的OCT圖像、48312張老年性黃斑患者OCT圖像

圖像角度： we achieved an area under the ROC curve of 92.78% with an accuracy of 87.63%

黃斑角度： 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.總結

實驗取得較好的結果，可能對未來電子診斷工具的産生有一定的幫助

二、正文探讨

1.資料來源

Heidelberg Spectralis imaging database 關于2006到2016的OCT圖像，掃描方式：Each macular scan was obtained using a 61-line raster macula scan, and every image of each macular OCT was extracted，并同時參考該圖像的電子病曆，包括診斷資訊，确診日期等資訊。

2.資料的分布情況

3.圖像特性

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

圖像大小壓縮為192x124

20%的健康者和20%的患病者圖檔作為validation，其餘都用于訓練。并確定驗證集和訓練集不存在交叉的情況。劃分完成後，随機打亂資料。

4.深度學習模型

• 模型修改自VGG16模型
• 權重使用Xavier algorithm進行初始化
• batchsize為100張圖檔
• learningrate為0.001
• 使用随機梯度下降作為優化
• 每次疊代都記錄損失，500次疊代進行一次驗證集的驗證
• loss降低與驗證精度降低時，模型停止
• occlusion test： 由20x20的方框周遊整個圖檔，遮擋周遊位置，一旦遮擋後圖像的“機率”（此處不解）變低，則說明是深度學習所感興趣的地方

• 

  5.result

  

  

  經過8000輪疊代後停止訓練，訓練後評價一幅圖像的時間為4.97ms

• 圖檔的關注區域

  -

  

6.關于實驗的讨論

• 模型還具有一定的局限性，可能被CNVM的病理圖像所幹擾，未來可加入其它不同類型的圖像以增強對AMD判斷的敏感性

【其它筆記參考：引用1】

【論文位址：引用2】