JustRAIGS2024——AI青光眼筛查中合理转诊

今天将分享AI青光眼筛查中合理转诊分类完整实现版本，为了方便大家学习理解整个流程，将整个流程步骤进行了整理，并给出详细的步骤结果。感兴趣的朋友赶紧动手试一试吧。

一、JustRAIGS2024介绍

青光眼是导致不可逆性失明的主要原因，在早期阶段常常被忽视，但在晚期可能会导致严重的视力障碍和绊倒或交通事故等危险。通过彩色眼底照片 (CFP) 或光学相干断层扫描 (OCT) 等成像方式可检测到视神经乳头的变化，早期检测和治疗对于阻止其进展至关重要。CFP 的筛查尤其具有成本效益，可通过神经视网膜边缘变薄和视盘出血等指标提供对青光眼损伤的重要见解，并为持续监测提供基线记录。

为了启动此类用于青光眼筛查的 AI 算法的开发并评估其性能，AI 青光眼筛查中的合理转诊 (JustRAIGS) 挑战，提供了一个独特的大型数据集，其中包含超过11万张经过仔细注释的眼底照片，这些照片收集自约 60,000 名放映者。生成了一个包含101,442 个可分级眼底图像（来自“可参考青光眼”眼睛和“无可参考青光眼”眼睛）的训练子集和一个包含 9,741 个眼底图像的测试子集。因此，每张眼底照片都被标记为“可参考青光眼”或“无可参考青光眼”。此外，所有可参考青光眼眼睛的眼底图像均已进一步注释了多达十个与不同青光眼特征相关的附加标签。JustRAIGS挑战中，任务是分析眼底图像并将每张图像分配到两个类别之一：“可参考青光眼”或“无可参考青光眼”。“参考性青光眼”是指眼底图像表现出指示青光眼的体征或特征，需要进一步检查或转诊给专家。另一方面，“无转诊青光眼”是指眼底图像没有显示青光眼的明显迹象并且不需要立即转诊的情况。非常早期的疾病，预计尚未出现视野损伤，也将被归类为“不可参考的青光眼”。除了可参考的青光眼分类外，还将进一步指导参与者对与青光眼相关的十个附加特征进行多标签分类。这些特征是青光眼患者的眼底图像中可能存在的特定特征或异常。多标签分类任务涉及根据这些特定特征的存在或不存在为每个眼底图像分配相关标签。这些附加功能提供了有关在“可转诊青光眼”病例的眼底图像中观察到的具体特征的更详细信息。通过结合二元分类任务（可参考与无可参考青光眼）和多标签分类任务（针对十个附加特征），挑战的目的是评估参与者准确识别和分类与可参考青光眼相关的眼底图像的能力。该分类任务的结果可以为青光眼检测自动化系统或算法的开发提供见解，最终有助于青光眼患者的早期识别和治疗，从而减少可避免的青光眼视力障碍和失明。

二、JustRAIGS2024任务

任务 1：转诊性能

可转诊青光眼和不可转诊青光眼的二元分类（无可转诊青光眼 (NRG)，参考性青光眼 (RG)）。

任务 2：合理性能

十个附加特征的多标签分类（神经视网膜边缘外观 (ANRS)，外观神经视网膜边缘下部 (ANRI)，视网膜神经纤维层上层缺损（RNFLDS），视网膜神经纤维层下方缺损（RNFLDI），向上方裸露环状血管 (BCLVS)，下方裸露环状血管 (BCLVI)，血管干鼻化 (NVT)，视盘出血（DH），层状点 (LD)，大视杯（LC））。（任务 2 仅适用于那些被分级为可参考青光眼的图像）

三、JustRAIGS2024数据集

图像数据由美国加利福尼亚州圣克鲁斯市的 EyePACS LLC 提供。标签由荷兰鹿特丹鹿特丹眼科医院鹿特丹眼科研究所提供。

JustRAIGS 数据集分为包含 101,442 个可分级眼底图像的训练子集（涵盖可参考和不可参考的青光眼病例）和包含 9,741 个眼底图像的测试子集。训练集下载链接：

https://zenodo.org/uploads/10035093，测试集不会公开发布。

每张图像都由 2名评分者（G1 和 G2）进行注释，他们是从合格的评分者中随机选择的。如果评分者就主要分类（可转诊青光眼 (RG)、不可转诊青光眼 (NRG)）达成一致，则该分类被视为最终分类；然而，如果出现分歧，图像随后由青光眼专家 (G3) 3 级评分者进行评分；该分类被视为最终分类。当评分者选择“可转诊青光眼”作为主要分类时，他们被要求勾选与他们认为患者应该转诊的原因相对应的复选框。有10个可用选项（可参考青光眼的附加功能）；评分者可以选择他们认为适用于所显示图像的任意数量。关于附加标签的分歧尚未解决。相反，附加标签的金标准结果是基于两个初始评分者（如果他们同意主要分类）；或一名分级员和青光眼专家（如果其中一名分级员同意专家提供的主要分类）；或青光眼专家（如果没有一个分级者同意专家提供的主要分类）。如果对于任何附加标签存在分歧，则在算法评估期间该图像的该标签将被忽略。

评价指标：转诊性能和合理性能。转诊性能 (P_ref)：将根据 95% 特异性的敏感性进行评估。合理性能 (P_just)：对于可参考的青光眼病例，将把 10 个附加标签与算法生成的附加标签进行比较，使用修改后的汉明距离：如果手动评分者不同意一个或多个附加标签，则不会在这些标签上评估算法的结果。汉明距离的标准化将根据两个评分者同意的标签数量来完成。最终参赛者排名计算如下：Sfinal = (R_ref + R_just)/2，最终排名随后将基于 Sfinal，其中 Sfinal 值越低，排名越高。

四、技术路线

任务一、转诊二分类

1、将图像缩放到固定大小1024x1024，然后采用均值为0，方差为1的方式进行归一化处理，再将数据分成训练集和验证集。

2、搭建ResNet2d网络，使用AdamW优化器，学习率是0.001，batchsize是32，epoch是300，损失函数采用交叉熵。

3、训练结果和验证结果

4、验证集分类结果

precision recall f1-score support

0.0 0.99 0.98 0.99 19320

1.0 0.61 0.69 0.65 680

accuracy 0.97 20000

macro avg 0.80 0.84 0.82 20000

weighted avg 0.98 0.97 0.98 20000

任务二、可参考青光眼十大细分类

1、将图像缩放到固定大小1024x1024，然后采用均值为0，方差为1的方式进行归一化处理，再将数据分成训练集和验证集。

2、搭建ResNet2d网络，使用AdamW优化器，学习率是0.001，batchsize是32，epoch是300，损失函数采用二值化交叉熵。

3、训练结果和验证结果

4、验证集分类结果

mean acc: 0.767

测试集结果

点击阅读原文可以访问参考项目，如果大家觉得这个项目还不错，希望大家给个Star并Fork，可以让更多的人学习。如果有任何问题，随时给我留言我会及时回复的。