Diabetic Retinopathy Classification using Downscaling Algorithms and Deep Learning

Resumen Técnico: Clasificación de Retinopatía Diabética utilizando Algoritmos de Reducción de Escala y Aprendizaje Profundo

Enunciado del Problema
La Retinopatía Diabética (RD) es una causa principal de ceguera entre los adultos en edad laboral, caracterizada por la hinchazón del tejido retiniano, cambios en los vasos sanguíneos y la pérdida de visión subsiguiente. La detección temprana mediante la clasificación de imágenes de fondo de ojo en cinco etapas de severidad (Clase 0: Sin RD hasta Clase 4: RD Proliferativa) es crítica para el tratamiento. Sin embargo, un desafío significativo en la automatización de esta clasificación son los tamaños grandes y variables de las imágenes de fondo de ojo de alta resolución. Procesar estas imágenes directamente requiere recursos computacionales sustanciales, mientras que el redimensionamiento agresivo puede provocar la pérdida de características de alta frecuencia críticas necesarias para un diagnóstico preciso.

Metodología
Los autores proponen un marco de trabajo de dos pasos que involucra la amalgama de datos, una nueva pipeline de preprocesamiento y una arquitectura de aprendizaje profundo personalizada.

1. Amalgama de Conjuntos de Datos: Para aumentar el tamaño del conjunto de datos y la generalización, el estudio combina el conjunto de datos de Retinopatía Diabética de Kaggle (35,216 imágenes) y el Conjunto de Datos de Imágenes de Retinopatía Diabética India (IDRID, 516 imágenes). El conjunto de datos combinado aborda los problemas de desequilibrio de clases asegurando la representación en las cinco etapas de severidad.
2. Pipeline de Preprocesamiento:
   • Recorte: Las imágenes se recortan para eliminar bordes negros innecesarios y enfocarse en la retina, abordando problemas de sub/sobreexposición.
   • Reducción de Escala: Un componente crítico del estudio es la evaluación de algoritmos de reducción de escala para reducir el tamaño de la imagen en un factor de 8x (de ~4800x4800 a ~600x600). Los autores comparan seis algoritmos: Vecino Más Próximo, Bilineal, Bicúbico, Lanczos, Preservación Rápida de Detalles de Imagen (RDIP) y Muestreo de Imagen Aprendido (LID).
   • Evaluación de Calidad: Para seleccionar el método de reducción de escala óptimo, los autores reducen y luego aumentan la escala de las imágenes (utilizando Lanczos) para comparar la imagen reconstruida con la original utilizando la Relación Pico Señal-Ruido (PSNR) y el Índice de Similitud Estructural (SSIM).
   • Relleno: Para mantener las proporciones de aspecto y preservar características, las imágenes se rellenan con ceros hasta una dimensión fija de 600 × 600 × 3, en lugar de redimensionarse, lo que distorsionaría la geometría de la imagen.
3. Arquitectura de Aprendizaje Profundo:
   • Los autores introducen una arquitectura Inception V3 de Múltiples Canales. Dado que las imágenes preprocesadas son de 600 × 600 × 3 y el Inception V3 estándar requiere entradas de 300 × 300 × 3, cada imagen se divide en cuatro cuadrantes (superior-izquierdo, superior-derecho, inferior-izquierdo, inferior-derecho).
   • Estos cuatro cuadrantes se alimentan a cuatro canales paralelos de Inception V3.
   • Las características de las capas finales de los cuatro canales se concatenan y se pasan a través de capas totalmente conectadas para la clasificación de 5 clases.
   • Aprendizaje por Transferencia: La columna vertebral de Inception V3 (42 capas) se inicializa con pesos del conjunto de datos ImageNet, mientras que solo las capas totalmente conectadas recién agregadas se entrenan.

Contribuciones Clave

• Análisis Comparativo de Reducción de Escala: El artículo proporciona una evaluación sistemática de algoritmos de reducción de escala tradicionales y adaptativos al contenido (específicamente LID y RDIP) para el preprocesamiento de imágenes médicas, utilizando PSNR y SSIM para cuantificar la retención de información.
• Arquitectura Novel: La propuesta de una red Inception V3 de Múltiples Canales que procesa cuadrantes de imagen en paralelo para manejar entradas de alta resolución sin un crecimiento excesivo de parámetros ni pérdida de características.
• Integración de Datos: La amalgama exitosa de dos conjuntos de datos distintos (Kaggle e IDRID) para crear un conjunto de entrenamiento robusto para la clasificación de RD en 5 etapas.

Resultados
El estudio evalúa el rendimiento utilizando Precisión, Sensibilidad y Especificidad.

• Rendimiento de Reducción de Escala: Basado en las métricas PSNR y SSIM, los algoritmos Muestreo de Imagen Aprendido (LID) y Bilineal produjeron las reconstrucciones de mayor calidad.
• Rendimiento de Clasificación:
  • El Inception V3 de Múltiples Canales con reducción de escala LID logró una precisión del 85.2%, una sensibilidad del 83.4% y una especificidad del 87.6%.
  • La misma arquitectura con reducción de escala Bilineal logró una precisión del 83.15%, una sensibilidad del 81.2% y una especificidad del 84.6%.
• Comparación: El enfoque propuesto basado en LID superó a varios métodos de última generación, incluyendo una CNN de 13 capas (75% de precisión), GoogleNet (81% de precisión) y BT-VGG (83.2% de precisión). Aunque una CNN de 13 capas reportó una mayor especificidad (95%), los autores atribuyen esto al entrenamiento en un conjunto de datos altamente sesgado y señalan que su método propuesto ofrece un mejor equilibrio entre sensibilidad y especificidad para detectar la enfermedad.

Significado y Afirmaciones
Los autores afirman que los tamaños de imagen grandes y variables son un cuello de botella primario en la clasificación de imágenes biomédicas. Sostienen que su enfoque propuesto aborda esto efectivamente mediante el uso de métodos de reducción de escala (específicamente LID) y una arquitectura de CNN de múltiples canales. El artículo concluye que la combinación de reducción de escala LID y la red Inception V3 de Múltiples Canales proporciona un método novel y superior para clasificar la severidad de la RD en comparación con las técnicas existentes, ofreciendo una precisión y sensibilidad mejoradas en la detección de la retinopatía diabética.