文摘

由于计算机技术的最新进展和大型数据集的可访问性,深度学习已成为人工智能和前沿的各种任务,特别是那些与图像分类和造型,它的表现往往是等于或甚至比人类的升值。眼科一直是在一个理想的位置,可以采用CNN的一个最受欢迎的深度学习算法对海量数据从这些测试,因为它是一个广泛关注的医疗实践成像。青光眼是一个CNN的情况中可以受益于大量的收集的数据测试,评估视神经的解剖和功能和黄斑。我们讨论了CNN算法的推荐使用特定青光眼的场景,如眼底摄影课程的筛查和诊断和检测青光眼10月通过成像方法。本文的目的不仅是CNN模型的严格审查和讨论最新的应用程序在青光眼,也关注相关的挑战与发展中模型筛选、诊断和检测进展。简要概述后临床实践与传统的临床方法和他们比较,我们讨论了如何训练和CNN算法的验证,这是发达国家和为什么它特别适合青光眼。以下特性做出我们的贡献有价值的和独特的类似的评论:(i)我们检查分类现有文献关于检测青光眼疾病使用传统和非传统的方法;(2)它涵盖了一个非常不同的看法的青光眼疾病通过提供深入的讨论现有的作品在不同的粒度级别,也就是说,从初级到调解的严重程度;(3)这种先进的审查覆盖每一篇文章在以下维度:计算机层析方法模型;分析不同的数据集; and summarizing the literature review in a disciplined way by mentioning the research gap concluded with discussion on future work.

1。背景

根据世界卫生组织的一项研究,全球6430万人受到这种疾病的影响,据估计,疾病将增长到8000万年的2020到1.118亿年的2040人。这些数字预计将增加2050。例如,2013年在加拿大盲人的数量大约是500000年,据估计,每年有50000人会盲目的(1]。青光眼是导致失明的主要疾病之一。治疗失明和补偿个人的损失能够找到有意义的工作是一个昂贵的费用为个人和社会。例如,在英国,视力丧失和失明的负担已经从143600增加到超过154600残疾调整生命年,而英国残疾调整生命年由于各种原因也有所下降。2013年,视力丧失和失明的总经济损失估计在英国在24亿美元和355亿美元之间(2]。青光眼患者的数量在美国是建立在2050年从270万年的2010增加到630万,到2020年底,青光眼的患者年龄在40到80年预计增加到6430万和2040到1.118亿3]。青光眼患者在未来几十年的概要文件是描绘在图1。


图1
世界各地的青光眼患者(预期上升4]。

2。介绍

青光眼是主要的视觉损伤诊断。青光眼的主要原因是视网膜神经节细胞(RGC)的缓慢死亡,增加眼内压的眼睛。这是由于眼球增加流体的质量。一个凸出的眼睛会损害神经束(轴突)视网膜神经纤维层(RNF)。它始于一个微不足道的问题,崩溃的神经链,如图2在下面。这些畸形是如此微不足道,他们通常难以理解在青光眼的早期阶段。视力损害和失明的最常见的原因是,青光眼是难以早期诊断和治疗。在新加坡,大约90%的青光眼患者并不知道他们的条件。在澳大利亚,几乎50%的青光眼患者仍然没有意识到他们的身体状况。在美国,大约有400万人经历过这种疾病的副作用,和一半的人都意识到他们的疾病。根据博士研讨会Mirza沙菲克,几乎一半的180万年巴基斯坦青光眼患者永久性失明,不幸的是2%的儿童(6,7]。除了早期检测和治疗,没有治疗青光眼(8]。确诊患者的高比例显示需要重大改变现有的诊断程序。早期检测取决于人工观察的眼科医生。这是昂贵的,可能出错。这是因为不是所有的眼科医生都有必要的经验,正确诊断青光眼。随后,多数患者确诊或误诊。因此,青光眼可以进步,不能治疗,直到它被发现。所以,这是非常重要的开发自动化工具,有助于早期发现青光眼,因为它将对人民和经济有积极的影响。因此,它是非常重要的开发自动化的青光眼的早期诊断方法。这些方法将利用各种眼科医生的经验得到可靠的结果。


图2
正常与青光眼疾病(5]。
2.1。类型的青光眼

全世界各种青光眼是可用的,而青光眼的两类重要的开角和闭角型青光眼,可以在眼内压的发展负责。开角青光眼(9),也被称为原发性开角型青光眼(POAG)是一种常见的类型的青光眼,这似乎是青光眼的主要主要原因在全世界传播。根据青光眼研究中心,几乎超过90%病例是由于开角青光眼。原发性开角型青光眼是一种尖端的视神经病变,也许最广泛认可的一种青光眼。闭角型青光眼(10),这也是公认为锐角,发生由于完成水液堵塞导致眼压的崛起至关重要。压力上升迅速,可能影响视觉以迅速的方式,并且它要求瞬时就医。

青光眼是典型的发现通过一个受影响的人经过一段时间的疾病进展。多年来,一直使用相同的过程由眼科医生诊断青光眼。这些程序只取决于眼科医生的手册解释,因此青光眼病例的80%没有发现在早期阶段。至关重要。因此,日常眼睛测试过程发现青光眼的症状和处理尽可能早地症状。

3.1。常规临床方法检测青光眼

眼压计仪器(11)是用来测量眼压在视网膜上。目前,众多技术的张力测定法在实践中,其中Goldmann被广泛采用。由于不规则的角膜厚度、张力测定法将无法产生正确的测量。为了克服这个问题,Pachymetry测试正在使用的眼科医生。它有助于调节角膜厚度,因为它是重要的,因为薄角膜和真正的患者眼压可能低估和厚角膜可能高估了。如果眼科医生不确定关于青光眼识别甚至表演张力测定法和pachymetry之后,然后其他测试(即。、前房角镜检查、视野测量和检眼镜检查)进行(12]。视野测量是用来检查病人视觉通过测量灵敏度的光探测目标。然而,这个测试是耗时的,因为它可能需要尝试三次前一个精度。因此,结果可能就会大打折扣,这种方法的准确性仍质疑。得到清洁和更大的正确结果,确定RNFL厚度,眼科医生会对3 d成像模式。然而,这些工具到处都是不可用的,因为他们是昂贵的,而且,诊所,特别是实践这些程序即使完全不同的测试指定的青光眼。

3.2。基于计算机的通用的方法来检测青光眼
3.2.1之上。眼底图像分析

的一个复杂的视网膜成像过程检测青光眼是使用眼底相机(13,14]。数码眼底相机配备了光线显微镜可以记录图像的整个视网膜后极的眼睛。圆形的区域称为乳头负责连接视神经视网膜(15]。盘周围的地区较轻的地区称为切削区。阀瓣和杯底直径10月图所示3。


图3
盘直径和杯直径在10月眼底和一个图像16]。

辛格et al。17)提取绿色通道一个可以提取眼底图像的杯和盘区。绿色通道包含的大部分信息需要确定圆盘的中心。选择凯撒窗口所有行和最大值的图像X协调的椎间盘。然而,这种方法仅依赖像素的强度来定位磁盘中心。如果其他的文物,如渗出物和PPA都在场,他们不会给出准确的结果。Ahmad et al。18)使用形态学操作提取眼底图像的视神经盘。提取杯和盘地区进一步用来计算cup-to-disc比率(CDR)。视网膜的边界区域之间的关系也从特征中提取协助青光眼患者的检测。建立了系统测试的可信度在小数据集80眼底图像和收到97.5%的准确率。熊猫et al。19)使用不同的技术来检测盘中心。为了检测对称线考虑厚血管的特性,形态操作订了婚。第二步涉及视神经盘的检测中心通过计算最高的容器组件。在第三步中,作者总结视神经盘中心的确切位置结束当地的对称线半径。验证此方法在九个公开的数据集。然而,该方法不能很好地运行在低质量图像或者血管的数量是不够的。弗拉加et al。20.视神经盘分割]提供了一个方法通过引入不同的阶段。Retinex算法用于视网膜图像正常化增加过程的可靠性和减少差距的变化。视神经盘的技术实现了100%的本地化。然而,这种方法不涉及病理视网膜图像影响视神经盘的整体精度。萨拉姆et al。21)提出了一个独特的眼底图像分类方法,分为三个类别:青光眼患者、可疑标本,和nonglaucoma图像。测试方法在本地数据集包含100眼底图像的26个青光眼患者和74 nonglaucoma病人。Haleem et al。22)提出了一个方法分段和本地化的视神经盘使用脉管系统收敛和加权特征图。他们利用RIMONE SLO数据集和获得平均93.9%的准确性。作者把测试图像和减少正常配置文件之间的距离估计未来地图的轮廓和训练集通过计算图像的均值。表1显示了青光眼检测使用眼底图像分析。

表1
回顾10月和眼底成像对青光眼的诊断。
3.2.2。光学相干断层扫描(OCT)图像分析

10月是一个革命性的成像方法,在世界范围内广泛使用的眼科医生。10月图片提供视网膜各层的详细信息。光学相干断层扫描(SD-OCT)常被用来改善视网膜评估措施(27]。图像受到青光眼10月杯直径比正常更大形象,呈现在图4。

(一)
(一)
(b)
(b)
图4
10月一个形象。(一)小cup-to-disc直径比正常的话题。(b)大直径cup-to-disc glaucoma-affected中观察到的图像(16]。

Siesky et al。23)检查进展开角青光眼在5年的时间内。112开角青光眼患者检查每六个月后的5年。不同的视野测量设备如视野,10月,海德堡视网膜断层扫描被认为是观察的眼睛的结构变化。他们的研究结果得出结论,RNFL和“都与实际的青光眼的相关进展和视野丧失的病人在5年的考试。Rao et al。24]46测试控制和61青光眼的眼睛。通过测量厚度,青光眼诊断的功能能力进行了比较。他们得出的结论是,SDOCT更适合测量厚度。Gopinath等人提出了一种新的方法(25]。八面体(光学相干断层扫描血管造影)成像用于青光眼诊断。毛细血管密度(CD)和RNFL厚度两个特性估计八面体图像作为青光眼或nonglaucoma图像进行分类。毛细管网后确认为感兴趣的区域(ROI),测量八个部门的CD。评价参数的CD和RNFL厚度值青光眼检测系统在青光眼患者低于正常的八面体图像。Nieves-Moreno等人提出了一个算法检测青光眼视网膜SD-OCT图像(26]。Abdel-Hamid [28)提出了一个自动青光眼探测装置主要基于频率区域离散小波变换(DWT) 10月预处理的图像。图像的噪声是用中值滤波去除。域小波变换分解后的小波系数属性提取频率区域内。

3.2.3。数据库

独特的全球和本地访问眼底和10月数据积累健康和青光眼患者。更多的信息,比如数据集的名称,可用的图像在每个数据集,数据集的条款,技术应用到表中描述2。HRF数据集包含30个图像包括15名健康和15青光眼的图像分辨率为3504 2336年。Pathan等人HRF数据集用于实时检测系统,取得了96.7%的精度(29日]。Drishti数据库包含101张图片和2049年的一项决议 1757年,用于分析青光眼。其来源是公开亚拉文眼科医院在印度。帕蒂尔et al。30.]Drishti数据集用于分类视网膜功能,获得了97.4的准确性。青光眼DB数据集组成的452张图片和1504年的一项决议 1000年分析青光眼。这将包含不同的功能,如混合特性,视神经乳头,并分类分类青光眼(31日]。

表2
数据集用于青光眼10月和眼底成像检测。
3.2.4。评价青光眼10月和眼底的检测

评估在眼底和10月图像提供了区分普通和青光眼患者进一步放大。如表所示1和图5下面,提出了各种方法在这两个类别和讨论。研究人员使用各种算法如大津法、区域增长算法,爬山算法,FCM聚类算法和光学锅段视神经盘区和分割方法计算CDR眼底图像的价值。为了使用10月评估青光眼,各种算法都提供。为了部分视网膜神经纤维和视网膜色素上皮细胞层,分割算法。该层的分割允许计算CDR价值细分后视神经盘和杯子区。CDR OCT成像测量已被证明是更接近青光眼患者的临床结果。Nithya et al。32]。眼底和10月图像之间进行比较来确定性能错误。从实验分析,显然表明青光眼10月可以更有效地诊断图像。由于青光眼,畸形发生的杯状容器区域,可以更精确地看到10月的形象,因为它提供了关于视网膜层的信息。


图5
比较图像调制和准确性(yearwise)。

4所示。CNN-Based方法检测青光眼

近年来,深度学习技术提高了技术水平的分类、分割、识别对象在医学和眼科图像;摘要提出了表3在这一节中。相比,传统的机器学习方法,在很大程度上依赖专家领域知识使用功能,CNN是一个网络,最大化网络容量通过学习函数之间的移动健康和受感染的图像。有各种各样的CNN架构设计对图像分割和分类。这些架构不同的数量和大小的函数,这些函数将如何联系在一起的,这将是整个网络的深度。这是因为不同的架构适合不同的问题按问题的性质是具有挑战性的知道网络的优先级,建筑将是正确的选择对于一个给定的任务。决定在这种情况下最好的方法是实证测试。

表3
使用CNN对青光眼的诊断。

齐勒et al。33]。使用与VGG-19 CNN网络,专业层扩展到段视神经盘。使用multiangle图像的立体图像是一个图像组合代表一个3 d模型的视网膜。他们取得了的意思F分数为96.5%,平均错误率5像素的最大利润率16像素。超过50%的错误率超过5像素的图像。然而,RIMONER3形象的边际误差大于DRIONS数据集。这显示了需要改进的边缘检测,尤其是在渗出液的存在。此外,交叉验证将是一个更强大的验证技术不仅仅是共享数据集在训练和测试。谭et al。34]介绍了CNN-based样本方法,降低了计算复杂度。最后一层的输出作为输入输入新层。新型Softmax分类器一直用于所有过滤器的输出。然后应用到测试图像。这个方法完成特异性95.60%,准确性94.10%,灵敏度92.30% DRISHTI-GS1数据集。然而,训练一个CNN使用一些图像似乎令人难以置信。本研究提出一个方法来学习CNN当数据集很小。通过CNN的培训更少的数据意味着更少的参数可以可靠地训练;因此,需要更多的进步在这个方法更好的精度。奥兰多et al。35]。图像正常化后,七层CNN用于段视神经盘。CNN在反向传播训练和随机梯度下降法。Softmax用于线性单元的第六个和第一层和激活漏水的整流器的第三和第五层。这种方法实现了敏感性为87%,特异性为99%,和一个重叠错误率为62%。选择驱动数据集该方法产生的结果。然而,治疗渗出物和PPA不是讨论。此外,该方法仅20日测试图像。这个小数据集肯定是不足以保证校正和准确性的总体结果。奥兰多et al。36)使用两个不同的架构VGG-S和OverFeat开发CNN模型自动检测青光眼。确认从当前CNN (OverFeat和VGG-S), pretrained架构实现没有眼底图像的图像。预处理发生第一次这些新基金获得的图像以提高质量;然后,应用“分割。该方法影响作为AUC值76.30%和71.80%。然而,作者并没有执行广泛的比较与其他先进的策略使用的大多数方法评估自己的私人数据集。

茶等。37)蚁群的概念用于视杯细分为了确定在早期青光眼。用蚁群的目的,因为它是一个概率的技术,这使得肯定能找到一个最优路径,这就避免了需要找到一个路径图。重叠的方法获得的平均误差为24.3%。然而,蚁群遭受的方法一个重要的限制,也就是说,在收敛时间的不确定性。这是如何处理没有讨论的论文。齐勒et al。33CNN)提出了一个双重的结构。分段光学作为输入圆盘被升级到CNN模型和整个CNN模型是用整个图像。同样的连接进行CNN模型和一个完全连接层用于分类。这种方法的分类精度达到81.69%中国北京同仁医院的数据集。江et al。38)改进现有的工作通过CNN提取视杯对青光眼的诊断。避开使用CNN的挑战(这需要一个大型数据集)上面所讨论的,作者结合生物的共同进化行为方法。用平均边际误差为11.8像素,F值为84.75%。杯,这是一个伟大的成就,进一步改善性能和精度是有可能的。此外,作者并没有测试他们的方法在其他公开数据集以比较其他方法;因此,他们无法验证其鲁棒性。江et al。39用GL-Net]使用DCNN multilabel模型。这种方法实现的90.50%和97.10%F分别1值视神经盘和杯子。嗯哼et al。40美国有线电视新闻网)用于青光眼的诊断。两个卷积和隐藏层最大池。ReLU担任一个激活函数。权重分配Xavier初始值设定项。该模型测试在小数据集收集从金正日的眼科医院。总1542张图片收集的756例青光眼的,786人nonglaucomatous。这种方法取得了87.9的准确性通过眼底摄影。然而,他们用一个小数据集,因此无法验证他们的解决方案的健壮性。江et al。41)诊断青光眼通过将视杯和盘使用CNN算法。提出了端到端算法称为普通RCNN。多孔折起着重要的作用在提高性能。两个数据集命名秒和ORIGA评估这种方法。在数据集,auc的90.10%和85.40%。克里斯托弗et al。42)使用了一个巨大的“斜眼底图像数据库评价几种不同的CNN架构基于青光眼诊断的准确性。他们取得了0.97的AUC GON眼睛严重损失的功能。然而,在当前的研究中,数据的纵切面没有考虑,但是数据集被用来训练模型,并分别查看每个图像。的作者(43)得出的结论是,CNN深学习模型的标准并不是设计来处理和计算纵向数据。OC(光学切削)和OD(光盘)分割,一种改进U-Net卷积神经网络技术提出了基于深度学习。深度学习的帮助下,U-Net和CNN技术有一个非常简单的框架,需要更少的时间实现和预测,这是比最先进的技术。该方法实现RIM-ONE和DRISHTI-GS数据集提供RIM-ONE骰子借据0.82和0.69性能指标,和DRISHTI-GS提供骰子0.85和0.75借据性能指标。这篇文章没有青光眼精度检测报告。Raghavendra et al。4通过卷积神经网络)检测青光眼。该模型由三个步骤15层CNN。Drishti数据集被用来评估该模型。这种方法获得了89.4%的准确率。尽管深CNN需要大量的训练数据集,它是可行的增益精度提高了训练模型与一个大的帧数。

Raghavendra et al。44)利用CNN算法诊断青光眼。输入图像的像素分配等级来估计背景图像。私人数据集用于火车CNN从头算法。这个模型最适合大量数据集的图像。总体准确率达到98%。然而,由于大量的训练所需图像,这种方法不能用于小数据集。Mookiah et al。33)使用直方图和随机转换眼底成像诊断青光眼。除了处理、属性频率谱和小波变换等也可以从图像中提取。支持向量机分类器后正常使用这些信息对图像进行分类或青光眼。方法在一个小型私人的数据集上进行了测试与60图像。它实现了95%的准确性。对于临床实现,该方法应评估使用大型数据集的特征域。朱利安et al。45将卷积神经网络用于OD和OC分割。基于社区的研究人员介绍了技术学习。卷积过滤器框架被设计通过使用过滤点。使用滤波器的输出训练最后灵活的物流分类器。分类器的输出是除以图的交集和凸信封。使用OD和OC计算分段CDR。方法使用Drishti评估数据集,由101年的图像。获得的三个系数除以OD和OC是97%和87%,分别。然而,对于OD分类,这种方法适用。的主题优化网络参数,以减少计算工作是一个挑战。 The review of glaucoma diagnosis using CNN is presented in Table3和图6。


图6
传统的神经网络算法和精度。

5。结论

卷积算法对神经网络的发展开辟了改善青光眼的诊断的可能性在测试环境,在临床实践中。CNN算法不仅减少手动审查的乏味的工作带注释的图像,它也可以准确地识别青光眼10月和眼底照片,可以提高其有效性在高压环境中有限的资源。算法还可以识别其他特性在10月快重要诊断青光眼或其进展。然而,CNN算法的性能深受使用的数据和图像质量培训和测试。重要的是使用一个更有代表性的数据集,包括多民族人口和相关病理的视网膜和视神经头。此外,CNN可能执行更好的测试图像获得相同的相机用于训练集。因此,需要更多的培训和验证支持在不同的平台上获得的数据。此外,当应用在真实条件下拍摄的图像,青光眼的发病率要低得多,这是特别重要的,确保CNN非常特定于青光眼。未来的研究应该运用这些算法在实际条件下,看看他们在临床表现良好,筛选方案相比,人类的实践者。

先前的研究评估视力丧失的负担在巴基斯坦流行的眼疾。我们使用患病率和收益率方法探讨视力丧失负担在我们的研究中。这使我们比较视力丧失的负担与其他国家在巴基斯坦和其他疾病在一个更详细的方式。仍然没有药物治疗青光眼,视力丧失是无法挽回;因此,分子诊断预测评估和早期干预是至关重要的减少视觉切割的影响,最终失明。为了实现这个目标,要求是体现所有亚型在分子水平上的青光眼和识别位点/基因导致不同的群氓。这种眼科疾病

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称他们没有利益冲突有关的出版。