【醫學+深度論文：F13】2018 Development of a deep residual learning algorithm to screen for glaucoma from

13

2018 Scientific Reports

Development of a deep residual learning algorithm to screen for glaucoma from fundus photography

Method ： 分類

Dataset ：3242 Train(1364N,1768G) Test(50N,60G)

      two-dimensional color fundus photographs

     (nonmyd WX, Kowa Company, Ltd., Aichi, Japan)

Architecture : ResNet

Results ：AROC 96.5（95％CI：93.5~99.6）％

開發了一種深度殘差學習算法來自動篩查眼底照片中的青光眼。在非高度近視和高度近視眼中具有高診斷能力。

Methods

研究目的是開發一種深度殘差學習算法，用于從眼底照片篩查青光眼，并使用獨立的資料集驗證其診斷性能。

研究的第二個目标是驗證深度殘差學習算法在高度近視眼中的診斷能力。

（近視是開角型青光眼的一個危險因素。在高度近視的眼睛中，視盤在形态上與非高度近視眼的視覺不同。例如，ONH和RNFL變薄的傾轉與近視相關。這些變化使得青光眼的檢測成為近視患者的一項具有挑戰性的任務。））

dataset

• training

  2144 × 1424

• test

  高度近視青光眼 28 ，非高度近視青光眼 33

  高度近視正常眼 22 ，非高度近視正常眼 27

spectral-domain OCT (RS-3000 Advance, Nidek, Gamagori, Japan) images

OA-1000 optical biometer (Tomey, Nagoya, Japan) logarithm of the

mimimum angle of resolution (logMAR) RC-5000 refract-keratometer

(Tomey) RC-5000 non-contact tonometer (Tomey) Goldmann

applanation tonometer Kowa nonmyd WX camera

在青光眼模式下使用RS-3000 OCT掃描視神經乳頭和黃斑。用十進制視力表測量最佳矯正視力（BCVA），然後将其轉換為最小分辨角度（logMAR）的對數。用OA-1000光學生物計（Tomey，Nagoya，Japan）測量軸向長度，使用RC-5000折射角膜曲率計（Tomey）記錄屈光不正，并使用RC-5000非接觸眼壓計（Tomey）或Goldmann壓平眼壓計測定IOP。使用Kowa nonmyd WX相機拍攝後眼底照片。

Pipeline

• 使用霍夫變換技術在視盤（64×64像素）周圍修剪眼底圖像

  Hough transform technique

• 防止過拟合
  • 資料增強 水準豎直翻轉

  • 改變圖檔亮度值

    将0到100之間的亮度值轉換為0

    between 100 and 190: linear mapping

    190 和 255之間的亮度值轉換為 255

對比實驗：

• ResNet18

  

• 16 layer CNN（like Vgg16）
• SVM
• Random Forest

Discussion

• 本文的方法在高度近視診斷青光眼具有很高的診斷能力

  在非高度近視和高度近視的眼睛中，診斷性能等于或優于眼科住院醫師。

• 從眼底照片篩查青光眼，并且比其他深度學習模型和機器學習方法診斷性能都高很多
• 目前研究的局限性涉及照片選擇，省略了可能幹擾青光眼專家診斷的特征的照片。然而，識别低品質圖像通常比自動篩查青光眼容易得多。
• 為了避免模型在視神經盤外部識别視網膜其他部分的特征，在訓練模型之前裁剪圖像。然而，在眼底照片上可能會在視神經盤外觀察到其他青光眼的發現，例如神經纖維層缺陷和視神經盤出血。是否需要考慮這些資訊