Retinal Disease Classification from Fundus Images using CNN Transfer Learning

Technische Samenvatting: Classificatie van Netvliesziekten via Fundusbeelden met CNN en Transfer Learning

1. Probleemstelling

Netvliesaandoeningen (zoals diabetische retinopathie, glaucoom en maculaire degeneratie) zijn wereldwijd een leidende oorzaak van verminderd zicht en blindheid, vooral in ontwikkelingslanden met beperkte toegang tot gespecialiseerde oogzorg. De traditionele diagnose is afhankelijk van handmatige inspectie van fundusbeelden door oogartsen, wat tijdrovend, kostbaar en onderhevig is aan variatie tussen waarnemers. Hoewel er veel diepe leermodellen zijn ontwikkeld, blijven uitdagingen bestaan zoals:

• Beperkte grootte van geannoteerde medische datasets.
• Classificatie-ongelijkheid (class imbalance), waarbij gezonde gevallen vaak de zieke gevallen overtreffen.
• De noodzaak van systemen die robuust zijn en goed generaliseren voor klinische screening.

Het doel van deze studie is het ontwikkelen van een reproduceerbaar deep learning-framework voor binaire risicoclassificatie (ziek vs. gezond) van netvliesafwijkingen, met een specifieke focus op het vergelijken van een basale CNN-architectuur met een transfer learning-benadering.

2. Methodologie

De studie gebruikt een publiek beschikbare dataset van Kaggle met 3.200 fundusbeelden, verdeeld in trainings- (1.920), validatie- (640) en testsets (640). De taak is gedefinieerd als een binaire classificatie op basis van de "Disease Risk"-label:

• Klasse 0: Normaal (Geen ziekte).
• Klasse 1: Ziek (Aanwezigheid van pathologie).

Twee experimentele methoden werden geïmplementeerd en vergeleken:

A. Experiment 1: Baseline CNN

• Preprocessing: Afbeeldingen gereduceerd naar 64x64 pixels. Pixelwaarden genormaliseerd naar [0, 1]. Geen data-augmentatie toegepast.
• Architectuur: Een lichtgewicht CNN met twee Conv2D-lagen (32 en 64 filters), MaxPooling, een Flatten-laag, een Dense-laag (128 neuronen) en een outputlaag met sigmoid-activatie.
• Training: Adam-optimizer, binary cross-entropy loss, 10 epochs, batch size 32. Geen class weighting.

B. Experiment 2: Transfer Learning met VGG16

• Preprocessing: Afbeeldingen gereduceerd naar 254x254 pixels (hogere resolutie). Pixelwaarden genormaliseerd.
• Data Augmentatie: Toepassing van horizontale en verticale spiegeling om de diversiteit te vergroten en overfitting te voorkomen.
• Omgaan met Class Imbalance: Toepassing van class weights tijdens het trainen om de meerderheidsklasse (Normaal) niet te laten domineren.
• Architectuur: Een voorgeïmplementeerde VGG16-backbone (gewichten van ImageNet, top verwijderd) die bevroren is. Hierbovenop zijn aangepaste lagen toegevoegd: Flatten, Dense (500 neuronen, ReLU), Dense (100 neuronen, ReLU) en een outputlaag met Softmax (2 neuronen).
• Training: Adam-optimizer, learning rate 0.01, categorical cross-entropy loss, 5 epochs, batch size 32.

Evaluatiemetrics:
De prestaties werden gemeten aan de hand van nauwkeurigheid (Accuracy), precisie, recall, F1-score, verwarringsmatrixen en ROC-AUC.

3. Belangrijkste Resultaten

De resultaten tonen een duidelijke superioriteit van de transfer learning-benadering:

• Baseline CNN:

  • Test Accuracy: 83,1%.
  • ROC-AUC: Ongeveer 0,81 voor beide klassen.
  • Conclusie: Het model leert basispatronen, maar de lage resolutie en het ontbreken van augmentatie beperken de generalisatie.

• VGG16 Transfer Learning:

  • Test Accuracy: 90,8% (een aanzienlijke verbetering).
  • Gewogen F1-score: 0,90.
  • Per-klasse prestaties:
    • Normaal (Klasse 0): Zeer hoge recall (0,98) en precisie (0,91).
    • Ziek (Klasse 1): Recall van 0,65 en precisie van 0,88.
  • ROC-AUC: 0,81 voor beide klassen, wat wijst op een gebalanceerde discriminatiecapaciteit.

Analyse van fouten:
De belangrijkste fouten treden op bij de "Ziek"-klasse, waarbij ongeveer 35% van de pathologische gevallen wordt gemist (false negatives). Dit wordt toegeschreven aan subtiele, vroege ziektepatronen die moeilijk te onderscheiden zijn van normale anatomische variaties, vooral in de context van class imbalance.

4. Belangrijke Bijdragen

1. Empirisch Bewijs voor Transfer Learning: De studie demonstreert dat het gebruik van een voorgeïmplementeerde VGG16-architectuur, zelfs met een beperkte dataset, de prestaties aanzienlijk verbetert ten opzichte van een CNN die van nul wordt getraind.
2. Invloed van Resolutie en Augmentatie: Het tonen aan dat hogere resolutie (254x254 vs. 64x64) en data-augmentatie cruciaal zijn voor het detecteren van fijne vasculaire anomalieën.
3. Reproduceerbaarheid: De auteur benadrukt dat alle rapporteerde resultaten strikt overeenkomen met de uitgevoerde experimenten (geen geschatte metrics), wat zeldzaam is en de betrouwbaarheid verhoogt.
4. Klinische Validatie: De studie onderscheidt zich door een binaire screeningbenadering te hanteren (ziek vs. gezond) in plaats van complexe multi-class classificatie, wat praktischer is voor triage in de kliniek.

5. Betekenis en Toekomstperspectief

De studie bevestigt dat diep leren, en specifiek transfer learning, een krachtig hulpmiddel is voor de automatische screening van oogziekten. De hoge nauwkeurigheid (90,8%) en specificiteit voor gezonde ogen maken het model geschikt als triage-tool om de werklast van oogartsen te verminderen.

Beperkingen en Aanbevelingen voor Toekomstig Werk:

• Recall voor Zieke Patiënten: De recall van 65% voor de zieke klasse is te laag voor een zelfstandig diagnostisch systeem. Verdere optimalisatie is nodig om valse negatieven te minimaliseren.
• Strategieën voor Class Imbalance: Toekomstig werk moet focussen op geavanceerdere technieken dan alleen class weighting, zoals focal loss, oversampling of synthetische data-generatie (GANs).
• Finetuning: Het geleidelijk ontdooien van de diepere lagen van de VGG16-backbone zou de domeinadaptatie kunnen verbeteren.
• Interpretatie: Integratie van XAI-technieken (zoals Grad-CAM) is noodzakelijk om het vertrouwen van clinici te winnen door te tonen waar het model kijkt.
• Validatie: Externe validatie op onafhankelijke datasets is essentieel om de generalisatie over verschillende ziekenhuizen en apparatuur te testen.

Kortom, hoewel er nog ruimte is voor verbetering, vooral wat betreft de detectie van zeldzame of subtiele ziektegevallen, biedt deze studie een solide, reproduceerbare basis voor de ontwikkeling van AI-gestuurde ophthalmologische hulpsystemen.