论文翻译--A Deep Learning Method for Microaneurysm Detection in Fundus Images

难点：MA病变区域小，病变和眼底背景的对比度低。

摘要

糖尿病性视网膜病变（DR）是工作年龄人群失明的主要原因。由于视网膜血管渗漏引起的微动脉瘤（MAs）是DR的早期征兆。然而，由于MA损伤的小尺寸和病变与其视网膜背景之间的低对比度，自动MA检测是复杂的。最近深度学习（DL）策略已被用于自动特征提取和分类问题，特别是图像分析。在本文中，提出了一种DL策略实例的堆叠稀疏自动编码（SSAE），用于眼底图像中的MA检测。从原始眼底图像生成小图像补丁。 SSAE仅从像素强度学习高级特征，以识别MA的区别特征。 SSAE学习的高级功能进入分类器，将每个图像补丁分类为MA或非MA。公共基准DIARETDB用于提供培训/测试数据和地面实况。在89张图像中，共有2182个具有MA病变的图像补片，作为正数据，另外6230个无MA病变的图像补片通过随机滑动窗口操作产生，作为负数据。没有任何血管去除或复杂的预处理操作，SSAE直接从原始图像补丁中学习，并自动提取区分特征，使用Softmax分类器对斑块进行分类。通过采用微调操作，使用10倍交叉验证获得了改进的F-量度91.3％和ROC曲线下的平均面积（AUC）为96.2％。

介绍

 Quellec等[2]描述了基于小波子带中模板匹配的监督MA检测方法。为提高检测准确率，爱荷华大学推出了视网膜病在线挑战数据库，并举办了MA检测国际比赛[3]。第一次国际比赛后，参与团体的五种方式表现出来。参考文献[4]提出了一种基于连续杂波抑制的方法。在最近的一项工作中，提出了一个全面的DR分级系统[5]。该系统可以检测DR（包括MA）的不同体征，并使用混合分类器对疾病水平进行分类。

特征表征是MA检测方法的常见和关键步骤。大多数现有的MA检测方法回答手工制作的功能。深入学习（DL）方法，以强大的学习能力自动提取高级功能而着称，近年来已应用于医学图像处理。徐等[6]使用堆叠稀疏自动编码器（SSAE）来提取核心检测的特征。我们的工作受到[6]的启发，因为MA检测与核检测具有许多相似之处。在这项工作中，我们采用SSAE作为自动特征提取器，从有和没有MA的图像补丁中学习。将学习的特征馈送到Softmax分类器（SMC）以将斑块分类为病变存在或非病变存在的类。

SSAE

堆叠稀疏自动编码器（SSAE）是DL策略的一个实例，可以通过并入多层稀疏自动编码器来构建。 如图所示。 如图1所示，形成双层SSAE，并将Softmax分类器（SMC）连接到第二层SSAE以产生最终分类结果。 第一隐藏层从原始图像像素提取特征，而第二隐藏层基于第一层的输出继续提取较高级别的特征。 有关SSAE和SMC的详细信息，请参阅[6]。

1.具有两个隐藏层以及softmax分类器（SMC）的堆叠式稀疏自动编码器（SSAE）的体系结构

实验和结果

A.数据集

公共基准数据库DIARETDB用于评估所提出的MA检测方法。在这项工作中，任何专家的每个标记的MA病变被认为是阳性样本。对于每个MA病变，以注释坐标为中心通过25×25平方的窗口生成图像斑块。在数据库中的89个图像中，总共记录了2182个MA病变。通过识别来自注释的MA中心的中心距离远（大于25个像素）的25×25个方形图像窗口，非MA补丁随机生成。每个图像采样率为70个贴片，因此生成6230个图像贴片作为负数据。在每轮10次交叉验证中，使用80张图像的图像贴片对SSAE和SMC模型进行训练，并使用其他9张图像中的图像补丁进行测试。无MA的补丁从特定的中心距离远（大于25个像素）的25*25方形图窗随机产生。采样率为每个图像70个贴片，因此生成6230个图像贴片作为负数据。在每轮10次交叉验证中，使用80张图像的图像补丁对SSAE和SMC模型进行训练，并使用其他9张图像中的图像补丁进行测试。

B.参数设置

我们使用绿色通道图像。在将图像补丁馈入网络之前，对每个补丁进行简单的图像调整操作，以将强度缩放到整个[0，1]范围。使用每个图像补丁的所有像素作为输入，输入层中有625个输入单位。第一和第二隐层的神经元数分别为sI = 225和S2 = 100。两个SSAE层的训练逐一进行，两层的训练迭代设置为100.SMC的训练迭代设置为50.微调的训练迭代设置为5 ，以避免过度配合的问题。

我们实施SSAE和SMC是基于由Andrew Ng博士及其团队授权的在线教程[7]。默认参数直接调整。

C.结果

表10总结了10倍交叉验证的平均性能。采用了六种常用的评估指标。它们是精确度，回忆（灵敏度），F度量度，特异性，总体准确度和ROC曲线下的平均面积（AUC）。微调操作后，所有度量的结果都得到了改善。在微调之前和之后的SSAE + SMC模型的ROC曲线绘制在图5中。 2.微调显示为提高SSAE + SMC模型对糖尿病视网膜病变数据库的分类性能的有力工具。

D.调整尺寸调整

图。3绘制具有可变窗口大小的SSAE + SMC模型的F度量。显示的补丁大小会影响性能，无需微调，而微调可使性能达到稳定和更高的范围。

结论

在本文中，提出了一种双层堆叠稀疏自动编码器框架，用于自动MA检测眼底图像。 SSAE模型可以以无监督的学习方式从像素级输入捕获高级特征。 这些高级功能使得SMC分类器可以从背景复杂的眼底图像中检测MA病变。 比较微调之前和之后的性能，并且显示微调有助于提高补丁分类的性能。 在未来的工作中，我们将对更多的数据库进行实验，并改变SSAE的结构，以更好地表征MA病变。