Diabetic Retinopathy Classification using Downscaling Algorithms and Deep Learning

Sintesi Tecnica: Classificazione della Retinopatia Diabetica mediante Algoritmi di Ridimensionamento e Deep Learning

Enunciato del Problema
La Retinopatia Diabetica (DR) è una delle principali cause di cecità negli adulti in età lavorativa, caratterizzata da gonfiore del tessuto retinico, cambiamenti dei vasi sanguigni e conseguente perdita della vista. La rilevazione precoce attraverso la classificazione delle immagini del fondo oculare in cinque stadi di gravità (Classe 0: Nessuna DR fino a Classe 4: DR Proliferativa) è fondamentale per il trattamento. Tuttavia, una sfida significativa nell'automazione di questa classificazione risiede nelle dimensioni grandi e variabili delle immagini del fondo oculare ad alta risoluzione. Elaborare direttamente queste immagini richiede risorse computazionali sostanziali, mentre un ridimensionamento aggressivo può portare alla perdita di caratteristiche ad alta frequenza critiche necessarie per una diagnosi accurata.

Metodologia
Gli autori propongono un framework in due fasi che coinvolge l'amalgama dei dati, una pipeline di pre-elaborazione innovativa e un'architettura di deep learning personalizzata.

1. Amalgama del Dataset: Per aumentare la dimensione del dataset e la generalizzazione, lo studio combina il dataset Kaggle Diabetic Retinopathy (35.216 immagini) e l'Indian Diabetic Retinopathy Image Dataset (IDRID, 516 immagini). Il dataset combinato affronta le problematiche di squilibrio delle classi garantendo la rappresentazione di tutti e cinque gli stadi di gravità.
2. Pipeline di Pre-elaborazione:
   • Ritaglio: Le immagini vengono ritagliate per rimuovere i bordi neri non necessari e focalizzarsi sulla retina, affrontando problemi di sotto/sovraesposizione.
   • Ridimensionamento (Downscaling): Un componente critico dello studio è la valutazione degli algoritmi di ridimensionamento per ridurre le dimensioni dell'immagine di un fattore di 8x (da ~4800x4800 a ~600x600). Gli autori confrontano sei algoritmi: Vicino Più Prossimo (Nearest Neighbour), Bilineare, Bicubico, Lanczos, Preservazione Rapida dei Dettagli dell'Immagine (RDIP) e Campionamento Inferiore Appreso dell'Immagine (LID).
   • Valutazione della Qualità: Per selezionare il metodo di ridimensionamento ottimale, gli autori ridimensionano e poi ingrandiscono le immagini (utilizzando Lanczos) per confrontare l'immagine ricostruita con l'originale mediante il Rapporto Segnale-Rumore di Picco (PSNR) e l'Indice di Similarità Strutturale (SSIM).
   • Padding: Per mantenere i rapporti d'aspetto e preservare le caratteristiche, le immagini vengono riempite con zeri fino a una dimensione fissa di 600 × 600 × 3, anziché essere ridimensionate, il che distorcerebbe la geometria dell'immagine.
3. Architettura di Deep Learning:
   • Gli autori introducono un'architettura Multi-Channel Inception V3. Poiché le immagini pre-elaborate sono 600 × 600 × 3 e l'Inception V3 standard richiede input 300 × 300 × 3, ogni immagine viene divisa in quattro quadranti (in alto a sinistra, in alto a destra, in basso a sinistra, in basso a destra).
   • Questi quattro quadranti vengono immessi in quattro canali Inception V3 paralleli.
   • Le caratteristiche degli strati finali di tutti e quattro i canali vengono concatenate e passate attraverso strati completamente connessi per la classificazione a 5 classi.
   • Transfer Learning: Il backbone Inception V3 (42 strati) viene inizializzato con pesi dal dataset ImageNet, mentre vengono addestrati solo i nuovi strati completamente connessi aggiunti.

Contributi Chiave

• Analisi Comparativa del Ridimensionamento: Il documento fornisce una valutazione sistematica degli algoritmi di ridimensionamento tradizionali e adattivi al contenuto (in particolare LID e RDIP) per la pre-elaborazione delle immagini mediche, utilizzando PSNR e SSIM per quantificare la ritenzione delle informazioni.
• Architettura Innovativa: La proposta di una rete Multi-Channel Inception V3 che elabora i quadranti dell'immagine in parallelo per gestire input ad alta risoluzione senza eccessiva crescita dei parametri o perdita di caratteristiche.
• Integrazione dei Dati: Il riuscito amalgama di due dataset distinti (Kaggle e IDRID) per creare un set di addestramento robusto per la classificazione della DR a 5 stadi.

Risultati
Lo studio valuta le prestazioni utilizzando Accuratezza, Sensibilità e Specificità.

• Prestazioni del Ridimensionamento: Basandosi sulle metriche PSNR e SSIM, gli algoritmi Campionamento Inferiore Appreso dell'Immagine (LID) e Bilineare hanno prodotto le ricostruzioni di qualità più elevata.
• Prestazioni della Classificazione:
  • L'Inception V3 Multi-Channel con ridimensionamento LID ha raggiunto un'accuratezza dell'85,2%, una sensibilità dell'83,4% e una specificità dell'87,6%.
  • La stessa architettura con ridimensionamento Bilineare ha raggiunto un'accuratezza dell'83,15%, una sensibilità dell'81,2% e una specificità dell'84,6%.
• Confronto: L'approccio proposto basato su LID ha superato diversi metodi all'avanguardia, tra cui una CNN a 13 strati (75% di accuratezza), GoogleNet (81% di accuratezza) e BT-VGG (83,2% di accuratezza). Sebbene una CNN a 13 strati riportasse una specificità più elevata (95%), gli autori attribuiscono ciò all'addestramento su un dataset fortemente sbilanciato e notano che il loro metodo proposto offre un migliore equilibrio tra sensibilità e specificità per la rilevazione della malattia.

Significato e Affermazioni
Gli autori affermano che le dimensioni grandi e variabili delle immagini costituiscono un collo di bottiglia primario nella classificazione delle immagini biomediche. Affermano che il loro approccio proposto affronta efficacemente questo problema utilizzando metodi di ridimensionamento (in particolare LID) e un'architettura CNN multi-canale. Il documento conclude che la combinazione del ridimensionamento LID e della rete Multi-Channel Inception V3 fornisce un metodo innovativo e superiore per classificare la gravità della DR rispetto alle tecniche esistenti, offrendo un'accuratezza e una sensibilità migliorate nella rilevazione della retinopatia diabetica.