11

2018 PLOS
A deep learning model for the detection of both advanced and early glaucoma using fundus photography

Method ： 分类 正常眼 、青光眼（早期晚期）
Dataset ： 1542 （786 N,467 AG,289 EG）
     AG : advanced glaucoma
     EG : early glaucoma
     非散瞳自动眼底照相机（AFC-330，Nidek，Japan）

Architecture : CNN（3con+3maxpooling+2FC）
Results ：accuracy 87.9% AUROC 0.94

Methods

Dataset 1542

• training 754
• validation 324
• test 464

三种method对比实验

• logistics classification

1×（240×240×3）的一维阵列 → softmax → 和one-hot encoded labels 比较
→ 交叉熵计算损失

• transfer GoogleNet Inception v3

  • Data augmentation
    10 images per photography

  • transfer
    pretraining

  • GoogleNet Inception v3
    修改了Inception v3模型的最后一个分类层以满足我们的分类需求，然后使用我们的数据进行微调
    

• our CNN

  • Data augmentation
    10 images per photography
  • dropout 0.5

从单个图像生成10个概率。通过平均该概率，我们可以基于每个图像获得图像代表青光眼或正常患者的单一概率

Results

• logistics classification ： accuracy 77.2%

• transfer 的GoogleNet Inception v3 ：accuracy 84.5% AUROC 0.93

• out model ：accuracy 87.9% AUROC 0.94

Discussion

• 传统的机器学习方法如逻辑分类足以对晚期青光眼进行分类。但是对晚期和早期青光眼检测还需要深度学习

• 深度学习可能会过拟合，所以用了数据增强和dropout

• 解释为什么网络结构简单，说的是因为是为了二分类设计的。后期可能继续优化模型

• 做了 深度学习和传统机器学习比较以及自己的模型和 GoogleNet Inception v3 的比较，证明了深度学习比机器学习在青光眼分类的精度上更好（能很好地分类早期青光眼），自己的模型比经过transfer 的GoogleNet Inception v3更好。还证明了数据增强和dropout是由必要的。

  • 但是我认为对于证明机器学习没有深度学习好这块实验仅仅用了一个简单的逻辑回归，不足以说明。
  • 搞不明白为什么 GoogleNet Inception v3 为什么会不如他的模型

• 当验证数据的每个时期的平均损失开始增加时，认为训练阶段结束。这个是不是不妥。训练方式有没有问题。