引用本文

范家伟, 张如如, 陆萌, 何佳雯, 康霄阳, 柴文俊, 石珅达, 宋美娜, 鄂海红, 欧中洪. 深度学习方法在糖尿病视网膜病变诊断中的应用. 自动化学报, 2021, 47(5): 985−1004 doi: 10.16383/j.aas.c190069

Fan Jia-Wei, Zhang Ru-Ru, Lu Meng, He Jia-Wen, Kang Xiao-Yang, Chai Wen-Jun, Shi Shen-Da, Song Mei-Na, E Hai-Hong, Ou Zhong-Hong. Applications of deep learning techniques for diabetic retinal diagnosis. Acta Automatica Sinica, 2021, 47(5): 985−1004 doi: 10.16383/j.aas.c190069

http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.c190069

关键词

深度学习，糖尿病，糖尿病视网膜病变，智能诊断，图像标注，病变区域检测，病变等级分类 

摘要

深度学习可以有效提取图像隐含特征,在医学影像识别方面的应用快速发展. 由于糖尿病视网膜病变(Diabetic retinopathy, DR)诊断标准明确、分类体系成熟,应用深度学习诊断糖尿病视网膜病变近年来成为研究热点. 本文从深度学习方法在DR诊断中的最新研究进展、DR诊断的一般流程、公共数据集、医学影像标注方法、主要实现模型、面临的主要挑战几方面, 对深度学习方法在糖尿病视网膜病变诊断中的应用进行了详细综述, 便于更多机器视觉、尤其是深度学习医学影像的研究者们参照对比,加快该领域研究的成熟度和临床落地应用.

文章导读

近年来, 深度学习在各种计算机视觉任务中的突出表现, 推动了其在医学影像识别中的发展, 使深度学习技术处理医学影像成为一个重要的研究方向. 深度学习技术利用医学影像数据在多个领域如乳腺病变诊断、皮肤病变诊断、肺癌诊断以及糖尿病视网膜病变(Diabetic retinopathy, DR)诊断等方面已取得了医生级别的准确率.

DR是糖尿病(Diabetes mellitus, DM)的重要并发症之一, 据统计, 全球约有4.25 亿人患有糖尿病, 目前, 患病人数仍在激增, 预计到2035年, 将会达到5.92 亿[1]. 调查显示, 其中约1/3的糖尿病患者将发生DR, 近10%的DM患者将发生威胁视力的视网膜病变(Vision-threatening diabetic retinopathy, VTDR), 糖尿病视网膜病已成为全球工作人群失明人数攀升的主要原因. 由于DR检查量增加, 在诊断方面出现了以下问题: 1)大量的阅片任务, 给医生带来了极大的工作压力; 2)医生阅片速度慢, 患者也无法得到即时的反馈; 3)优质医疗资源被占用, 漏诊、误诊人数增长[2]. 因此, DR早期诊断面临严峻的挑战.

国际DR诊断标准的全球公认性以及分类明确性为DR智能诊断系统的研发提供了统一标准与基础, 所以更多的研究者以及公司企业将目光投向这一领域. 经过不断优化, DR智能诊断系统逐渐达到了专家水平, 不仅可以判断患者是否存在DR, 还可以对患者的病变等级进行详细划分, 并对眼部的不同病理特征区域进行检测标识, 提高了系统的可解释性. 部分DR诊断系统的输出结果不再只是给医生做决策支持, 而是可直接为患者做出精准的诊断, 提供更详细的信息及诊断依据[3]. 另外, 目前已经有基于深度学习的DR诊断系统上市用于临床实践, 这代表该项技术有很强的实用性与落地性, 为DR智能诊断系统的研究带来革命性的进展.

本文的主要贡献如下: 对深度学习方法在糖尿病视网膜病变诊断中的应用进行了全面梳理; 对各类公共数据集、医学影像标注方法、病变区域分割及检测模型、病变等级分类模型以及模型评估方法进行了综述; 对DR病变区域检测、病变等级分类的最新进展进行了归纳; 对比了各种实现方法的优缺点. 通过阅读本文, 可以获悉该领域的发展现状、未来发展方向以及面临的挑战, 便于研究者参照对比, 加快该领域的研究及临床落地应用.

图 1  基于深度学习DR诊断的一般框架

图 2  糖尿病视网膜病灶区域检测

图 3  糖尿病视网膜病变等级分类

综上所述, 基于深度学习的糖尿病视网膜病变(DR)诊断已经成为医学影像分析领域深度学习发展最迅速、诊断精度高、临床试行和智能诊断仪器FDA批准进程最快的方向. 在学术界, DR诊断的敏感性、特异度不断提升, 实验结果显示深度学习模型已经基本达到临床诊断的能力; 在产业界, 已经有相关器械落地[19], 并朝着便携化的方向发展[20], 以配合远程医疗的部署.

在病变区域检测方面, 深度学习模型实现了从检测单一病变到支持多种病变综合检测的进步; 在病变等级分类方面, 深度学习模型已经支持国际DR分级标准, 实现五等级的划分. 但由于医疗诊断需要明确的依据, 深度学习的可解释性问题使得模型无法满足以上要求, 因而引起学术界的重点关注和研究.

本文旨在为为该领域的研究者与产业界专家提供一定借鉴与参考. 随着技术的进一步发展, 本文所涉及的相关内容也需要进行进一步的补充和完善.

作者简介

范家伟

北京邮电大学硕士研究生. 主要研究方向为人工智能与数据挖掘.E-mail: jwfan@bupt.edu.cn

张如如

北京邮电大学博士研究生. 主要研究方向为深度学习和医学影像处理. E-mail: zhangru@bupt.edu.cn

陆萌

北京邮电大学硕士研究生. 主要研究方向为数据挖掘和计算机视觉. E-mail: buptLumeng@bupt.edu.cn

何佳雯

北京邮电大学硕士研究生. 主要研究方向为深度学习和图像处理.E-mail: euphy@bupt.edu.cn

康霄阳

北京邮电大学硕士研究生. 主要研究方向为机器学习和计算机视觉. E-mail: kangxiaoyang@bupt.edu.cn

柴文俊

北京邮电大学硕士研究生. 主要研究方向为深度学习和计算机视觉. E-mail: chaiwenjun@bupt.edu.cn

石珅达

北京邮电大学硕士研究生. 主要研究方向为机器学习和计算机视觉. E-mail: cy.z.feng@gmail.com

宋美娜

教授, 教育部信息网络工程研究中心主任. 主要研究方向为服务计算, 云计算, 超大规模信息服务系统和人工智能. 本文通信作者. E-mail: mnsong@gmail.com

鄂海红

副教授, CCSA移动互联网应用与终端技术委员会WG1副组长. 主要研究方向为移动互联网、大数据、云计算和人工智能. E-mail: ehaihong@bupt.edu.cn

欧中洪

副教授, 北京邮电大学计算机学院副院长. 主要研究方向为大数据分析、深度学习技术. E-mail: zhonghong.ou@bupt.edu.cn