Diabetic Retinopathy Classification using Downscaling Algorithms and Deep Learning

Technische Zusammenfassung: Klassifizierung der diabetischen Retinopathie mittels Downscaling-Algorithmen und Deep Learning

Problemstellung
Die diabetische Retinopathie (DR) ist eine der häufigsten Ursachen für Erblindung bei Erwachsenen im erwerbsfähigen Alter. Sie ist gekennzeichnet durch Schwellungen des retinalen Gewebes, Veränderungen der Blutgefäße und den daraus resultierenden Sehverlust. Eine frühzeitige Erkennung durch die Klassifizierung von retinalen Fundusbildern in fünf Schweregrade (Klasse 0: Keine DR bis Klasse 4: Proliferative DR) ist für die Behandlung entscheidend. Eine erhebliche Herausforderung bei der Automatisierung dieser Klassifizierung stellen jedoch die großen und variierenden Auflösungen hochauflösender Fundusbilder dar. Die direkte Verarbeitung dieser Bilder erfordert erhebliche Rechenressourcen, während ein aggressives Verkleinern zum Verlust kritischer hochfrequenter Merkmale führen kann, die für eine genaue Diagnose notwendig sind.

Methodik
Die Autoren schlagen einen zweistufigen Rahmen vor, der Datenfusion, eine neuartige Vorverarbeitungs-Pipeline und eine benutzerdefinierte Deep-Learning-Architektur umfasst.

1. Datenfusion: Um die Datengröße und die Generalisierungsfähigkeit zu erhöhen, kombiniert die Studie den Kaggle-Diabetic-Retinopathy-Datensatz (35.216 Bilder) mit dem Indian Diabetic Retinopathy Image Dataset (IDRID, 516 Bilder). Der kombinierte Datensatz adressiert Probleme der Klassenungleichgewichte, indem eine Repräsentation über alle fünf Schweregrade hinweg sichergestellt wird.
2. Vorverarbeitungs-Pipeline:
   • Zuschneiden (Cropping): Bilder werden zugeschnitten, um unnötige schwarze Ränder zu entfernen und den Fokus auf die Netzhaut zu legen, wodurch Probleme der Unter-/Überbelichtung adressiert werden.
   • Downscaling: Ein kritischer Bestandteil der Studie ist die Evaluierung von Downscaling-Algorithmen zur Reduzierung der Bildgröße um einen Faktor von 8x (von ~4800x4800 auf ~600x600). Die Autoren vergleichen sechs Algorithmen: Nearest Neighbour, Bilinear, Bicubic, Lanczos, Rapid Detail Image Preserving (RDIP) und Learned Image Downsampling (LID).
   • Qualitätsbewertung: Um die optimale Downscaling-Methode auszuwählen, skalieren die Autoren Bilder herunter und anschließend wieder hoch (unter Verwendung von Lanczos), um das rekonstruierte Bild unter Verwendung des Peak Signal-to-Noise Ratio (PSNR) und des Structural Similarity Index (SSIM) mit dem Original zu vergleichen.
   • Padding: Um Seitenverhältnisse zu wahren und Merkmale zu erhalten, werden Bilder mit Nullen auf eine feste Dimension von 600 × 600 × 3 aufgefüllt, anstatt sie zu vergrößern, was die Bildgeometrie verzerren würde.
3. Deep-Learning-Architektur:
   • Die Autoren stellen eine Multi-Channel Inception V3-Architektur vor. Da die vorverarbeiteten Bilder 600 × 600 × 3 betragen und das Standard-Inception-V3-Modell Eingaben von 300 × 300 × 3 erfordert, wird jedes Bild in vier Quadranten unterteilt (oben-links, oben-rechts, unten-links, unten-rechts).
   • Diese vier Quadranten werden in vier parallele Inception-V3-Kanäle eingespeist.
   • Die Merkmale aus den letzten Schichten aller vier Kanäle werden verkettet und durch vollvernetzte Schichten für die 5-Klassen-Klassifizierung geleitet.
   • Transfer Learning: Das Inception-V3-Rückgrat (42 Schichten) wird mit Gewichten aus dem ImageNet-Datensatz initialisiert, während nur die neu hinzugefügten vollvernetzten Schichten trainiert werden.

Hauptbeiträge

• Vergleichende Analyse von Downscaling: Die Arbeit bietet eine systematische Evaluierung traditioneller und inhaltsadaptiver Downscaling-Algorithmen (insbesondere LID und RDIP) für die medizinische Bildvorverarbeitung unter Verwendung von PSNR und SSIM zur Quantifizierung des Informationserhalts.
• Neuartige Architektur: Der Vorschlag eines Multi-Channel-Inception-V3-Netzwerks, das Bildquadranten parallel verarbeitet, um hochauflösende Eingaben zu handhaben, ohne übermäßiges Parameterwachstum oder Merkmalsverlust.
• Datenintegration: Die erfolgreiche Fusion zweier unterschiedlicher Datensätze (Kaggle und IDRID) zur Erstellung eines robusten Trainingssets für die 5-Stufen-DR-Klassifizierung.

Ergebnisse
Die Studie bewertet die Leistung anhand von Genauigkeit (Accuracy), Sensitivität und Spezifität.

• Downscaling-Leistung: Basierend auf den PSNR- und SSIM-Metriken erzielten die Learned Image Downsampling (LID)- und die Bilinear-Algorithmen die hochwertigsten Rekonstruktionen.
• Klassifizierungsleistung:
  • Das Multi-Channel Inception V3 mit LID-Downscaling erreichte 85,2 % Genauigkeit, 83,4 % Sensitivität und 87,6 % Spezifität.
  • Dieselbe Architektur mit Bilinear-Downscaling erreichte 83,15 % Genauigkeit, 81,2 % Sensitivität und 84,6 % Spezifität.
• Vergleich: Der vorgeschlagene LID-basierte Ansatz übertraf mehrere State-of-the-Art-Methoden, darunter ein 13-Schichten-CNN (75 % Genauigkeit), GoogleNet (81 % Genauigkeit) und BT-VGG (83,2 % Genauigkeit). Obwohl ein 13-Schichten-CNN eine höhere Spezifität (95 %) meldete, führen die Autoren dies auf das Training mit einem stark verzerrten Datensatz zurück und stellen fest, dass ihre vorgeschlagene Methode ein besseres Gleichgewicht zwischen Sensitivität und Spezifität für die Erkennung der Krankheit bietet.

Bedeutung und Behauptungen
Die Autoren behaupten, dass große und variierende Bildgrößen eine primäre Engstelle bei der Klassifizierung biomedizinischer Bilder darstellen. Sie bekräftigen, dass ihr vorgeschlagener Ansatz dies effektiv adressiert, indem er Downscaling-Methoden (insbesondere LID) und eine Multi-Channel-CNN-Architektur nutzt. Die Arbeit kommt zu dem Schluss, dass die Kombination aus LID-Downscaling und dem Multi-Channel-Inception-V3-Netzwerk eine neuartige und überlegene Methode zur Klassifizierung des DR-Schweregrads im Vergleich zu bestehenden Techniken bietet und eine verbesserte Genauigkeit sowie Sensitivität bei der Erkennung der diabetischen Retinopathie liefert.