03

2018 A Deep Learning-Based Algorithm Identifies Glaucomatous Discs Using Monoscopic Fundus Photographs

This study demonstrated that a deep learning-based algorithm can identify glaucomatous discs at high accuracy level using monoscopic fundus images
所以我们可以使用更容易得到的单视场图（monoscopic）代替立体图（stereoscopic）来进行大规模人群疾病筛查或远程医疗项目

Datasets： 3768 悉尼临床图 + 626 公开数据集 RIM-ONE 和 HRF（High Resolution Fundus）
全部为 open-angle青光眼 （包括 原发性青光眼和正常眼压青光眼）
分类问题 ： optic disk 的二分类（青光眼/正常眼）
Architecture： difference-of-Gaussian blob detector + Resnet50
Results： accuracy (91.6%), 87.9% sensitivity and 96.5% specificity ，AROC 0.97 (95% CI,0.96e0.98).

Methods

数据集

合并了除了HRF之外的图片，分为
training set 80%
testing set 20%

additional testing set ：30 HRF images

Data Preparation

• difference-of-Gaussian blob detector

• to locate and estimate the size of the optic disc

• 使用 16个高斯滤波器(内核尺寸从50到104 voxels)来检测不同尺寸和放大因子的optic disc

• 然后，通过裁剪视盘和周围组织来扩大检测区域，使用一个边长为检测斑点半径两倍的正方形。然后将裁剪后的正方形图像调整为相同的图像分辨率(512×512)，以便进一步分析。

处理完之后筛选图片 4000 张

Net ： ResNet50

pretrained on ImageNet database
把 输出的 1000 类改为 2 类（青光眼/正常眼）
使用ReLu
optimizer：cross entropy

Results

Results： accuracy (91.6%), 87.9% sensitivity and 96.5% specificity ，AROC 0.97 (95% CI,0.96e0.98).

Discussion

• 传统眼科医生对青光眼视神经的分析是基于视神经头的具体参数或特征，包括盘大小、杯盘比、边缘轮廓、苍白、盘出血和乳头周围萎缩。
  利用深度学习评估视盘代表了对传统的突破;深度神经网络的训练不依赖于任何人类知识。
• AI系统判断实现是否基于完全不同的特性的视神经盘不得而知。更详细地分析训练参数，包括反向传播方程，可能有助于揭示那些隐藏的成分，因此可能有助于眼科医生在未来改进视神经评估。
• 分析立体图而不是单视场图会不会提高accuracy。此外只分析视盘可能不足够，因为青光眼的诊断依赖OCT、VF、Fundus还有其他很多因素，AI诊断的一些正常的图像实际上可能显示非常早期的青光眼。

将同一患者的图像分配到同一数据集，这个有没有必要？？

数据准备时：基于高斯差分的视盘检测，有什么必要，有没有别的好的办法？？
他这个是为了把视盘图调整到一样大小比例，图片也调整到一样大小。
我觉得可以尝试合并到deep learning 里面，用attention代替，做成end to end。

文中说眼科医生在：立体照片视盘识别的准确率≈80%；单视场照片的准确率<65%