Diabetic Retinopathy Classification using Downscaling Algorithms and Deep Learning

Technische Samenvatting: Classificatie van Diabetische Retinopathie met Downscaling-algoritmen en Deep Learning

Probleemstelling
Diabetische Retinopathie (DR) is een leidende oorzaak van blindheid onder volwassenen in de werkende leeftijd, gekenmerkt door zwelling van retinale weefsels, veranderingen in bloedvaten en daaropvolgend gezichtsverlies. Vroege detectie door classificatie van retinale fundusafbeeldingen in vijf ernstgraden (Klasse 0: Geen DR tot Klasse 4: Proliferatieve DR) is cruciaal voor behandeling. Een aanzienlijke uitdaging bij het automatiseren van deze classificatie is echter de grote en variërende afmetingen van hoogresolutie fundusafbeeldingen. Het direct verwerken van deze afbeeldingen vereist aanzienlijke rekenkracht, terwijl agressieve herschaling kan leiden tot het verlies van kritieke hoogfrequente kenmerken die noodzakelijk zijn voor een accurate diagnose.

Methodologie
De auteurs stellen een tweestapskader voor dat data-amalgamatie, een innovatieve voorverwerkingspijplijn en een aangepaste deep learning-architectuur omvat.

1. Data-amalgamatie: Om de datasetgrootte en generalisatie te vergroten, combineert de studie de Kaggle Diabetic Retinopathy-dataset (35.216 afbeeldingen) en de Indian Diabetic Retinopathy Image Dataset (IDRID, 516 afbeeldingen). De gecombineerde dataset adresseert klassenonevenwichtigheid door representatie over alle vijf ernstgraden te waarborgen.
2. Voorverwerkingspijplijn:
   • Bijsnijden: Afbeeldingen worden bijgesneden om onnodige zwarte randen te verwijderen en zich te richten op het netvlies, waarmee problemen met onder-/overbelichting worden aangepakt.
   • Downscaling: Een kritiek onderdeel van de studie is de evaluatie van downscaling-algoritmen om de afbeeldingsgrootte met een factor 8x te verkleinen (van ~4800x4800 naar ~600x600). De auteurs vergelijken zes algoritmen: Nearest Neighbour, Bilineair, Bicubisch, Lanczos, Rapid Detail Image Preserving (RDIP) en Learned Image Downsampling (LID).
   • Kwaliteitsbeoordeling: Om de optimale downscaling-methode te selecteren, verkleinen de auteurs afbeeldingen en vergroten ze deze vervolgens weer (met Lanczos) om de gereconstrueerde afbeelding te vergelijken met de originele afbeelding aan de hand van de Peak Signal-to-Noise Ratio (PSNR) en de Structural Similarity Index (SSIM).
   • Opvulling: Om aspectverhoudingen te behouden en kenmerken te bewaren, worden afbeeldingen opgevuld met nullen tot een vaste afmeting van 600 × 600 × 3, in plaats van herschaald te worden, wat de geometrie van de afbeelding zou vervormen.
3. Deep Learning-architectuur:
   • De auteurs introduceren een Multi-Channel Inception V3-architectuur. Aangezien de voorverwerkte afbeeldingen 600 × 600 × 3 zijn en standaard Inception V3 invoer van 300 × 300 × 3 vereist, wordt elke afbeelding verdeeld in vier kwadranten (linksboven, rechtsboven, linksonder, rechtsonder).
   • Deze vier kwadranten worden ingevoerd in vier parallelle Inception V3-kanalen.
   • De kenmerken uit de laatste lagen van alle vier de kanalen worden samengevoegd en doorgegeven aan volledig verbonden lagen voor 5-klasse classificatie.
   • Transfer Learning: De Inception V3-ruggengraat (42 lagen) wordt geïnitieerd met gewichten uit de ImageNet-dataset, terwijl alleen de nieuw toegevoegde volledig verbonden lagen worden getraind.

Belangrijkste Bijdragen

• Vergelijkende Analyse van Downscaling: Het artikel biedt een systematische evaluatie van traditionele en inhoudsadaptieve downscaling-algoritmen (specifiek LID en RDIP) voor medische beeldverwerking, waarbij PSNR en SSIM worden gebruikt om informatiebehoud te kwantificeren.
• Nieuwe Architectuur: Het voorstellen van een Multi-Channel Inception V3-netwerk dat afbeeldingskwadranten parallel verwerkt om hoogresolutie-invoer te verwerken zonder overmatige parametergroei of verlies van kenmerken.
• Data-integratie: De succesvolle amalgamatie van twee verschillende datasets (Kaggle en IDRID) om een robuuste trainingsset te creëren voor 5-staps DR-classificatie.

Resultaten
De studie evalueert prestaties aan de hand van Nauwkeurigheid, Sensitiviteit en Specificiteit.

• Downscaling-prestaties: Op basis van PSNR- en SSIM-metrieken leverden de Learned Image Downsampling (LID) en Bilineaire algoritmen de hoogste kwaliteit reconstructies op.
• Classificatieprestaties:
  • De Multi-Channel Inception V3 met LID-downscaling bereikte 85,2% nauwkeurigheid, 83,4% sensitiviteit en 87,6% specificiteit.
  • Dezelfde architectuur met Bilineaire downscaling bereikte 83,15% nauwkeurigheid, 81,2% sensitiviteit en 84,6% specificiteit.
• Vergelijking: De voorgestelde LID-gebaseerde aanpak presteerde beter dan verschillende state-of-the-art methoden, waaronder een 13-laags CNN (75% nauwkeurigheid), GoogleNet (81% nauwkeurigheid) en BT-VGG (83,2% nauwkeurigheid). Hoewel een 13-laags CNN een hogere specificiteit rapporteerde (95%), schrijven de auteurs dit toe aan training op een sterk vertekende dataset en merken zij op dat hun voorgestelde methode een betere balans van sensitiviteit en specificiteit biedt voor het detecteren van de ziekte.

Betekenis en Claims
De auteurs beweren dat grote en variërende afbeeldingsmaten een primaire bottleneck vormen in de classificatie van biomedische beelden. Zij stellen dat hun voorgestelde aanpak dit effectief aanpakt door het gebruik van downscaling-methoden (specifiek LID) en een multi-kanalen CNN-architectuur. Het artikel concludeert dat de combinatie van LID-downscaling en het Multi-Channel Inception V3-netwerk een nieuwe en superieure methode biedt voor het classificeren van DR-ernst in vergelijking met bestaande technieken, met verbeterde nauwkeurigheid en sensitiviteit bij het detecteren van diabetische retinopathie.