A Framework for Identifying Diabetic Retinopathy Based on Anti-noise Detection and Attention-Based Fusion
基于抗噪声检测和注意力融合的糖尿病视网膜病变识别框架
作者：Zhiwen Lin,Ruoqian Guo,Ynajie Wang,Bian Wu,Tingting Chen,Wenzhe Wang,Danny Z.Chen,and Jian Wu.
机构：浙江大学，圣母大学
摘要：
微小病变在低级糖尿病视网膜病变(DR)患者的眼底图难以观察，导致利用视网膜眼底图片进行DR的自动诊断很有挑战。同时完全标注好的数据很难获得，而且漏掉的标注样本成为噪声，会影响模型的学习。除此之外，怎样利用病变信息确定DR级别应该慎重考虑，因为不同的病变类型可能被用于区别不同的DR级别。本文中，提出了一个联合病变检测和DR识别的框架。该模型首先确定遗漏的标注样本，以减少他们对模型的影响，然后提取病变信息。基于注意力的网络将原始图片和病变信息融合在一起确定DR。
简介：
现在主要有两种方法识别糖尿病视网膜病变。第一种是直接用图像级标注训练分类模型去直接区分DR级别，这种方法的缺点是只使用图像级标签很容易漏掉微小的病变，影响检测准确率，尤其是对于DR1级和DR2级。第二种方法是先检测病变用以后续处理，然后把信息融合去识别DR，能够有效的帮助模型。但有两个难点需要解决:(1)并不是所有的病变都标注了。在视网膜眼底图像中，MA、HE的数量通常都较多，专家很可能会漏标注一些。漏掉的标注病变作为负样本，成为模型的噪声。(2)不是所有的病变信息对于DR分级有益。比如，DR4可以通过RNV病变识别，但是雨MA、HE没有直接关系。如果把这两种病变信息直接融合在一起，在检测PDR的时候它可能会成为噪声信息，影响模型的性能。
新的识别DR框架使用视网膜眼底图片进行检测，这些图片包括DR级别和MA、HE病变检测框标注。首先利用检测模型提取病变信息到病变图中，然后把它与原图片进行融合。为了处理因缺失注释病变而引起的嘈杂阴性样本，我们的检测模型使用center loss(中心损失)，他能聚集Lesion Center(病变中心)周围相同样本的特征。同时提出了Center-Sample(中心取样)，通过测量其特征与病变中心的相似性并减少其采样概率来找到嘈杂的阴性样本。在分类阶段，利用AFN将原始图片的特征图和病变图整合。在识别不同DR级别时，AFN能够学习原始图片和病变图之间的权重，这样可以减少不必要的病变信息对分类的干扰。
方法：
框架主要由两部分组成：中心采样检测器(Cneter-Sample detector)和注意力融合网络(Attention Fusion Network)。检测器预测整张图片中病变的概率，AFN利用原始图片和检测模型的输出去识别DR级别。模型如下图所示：
中心采样检测器：
中心采样检测器主要是检测眼底图中n种病变，主要有一下几部分组成：共享特征提取器，分类或边界框检测头和Noisy Sample Mining模块。前两部分形成病变检测的主要网络，用于预测病变概率图，主要结构是来自SSD。第三部分包含两块：样本聚类，用于聚类类似样本和噪声样本挖掘，用于确定噪声样本并减少其采样权重。
注意力融合网络：
AFN产生基于原始图片和病变图的权重，减少不必要的病变信息对DR分级的影响。AFN包含两个特征提取器和一个注意力网络。
结论：
本文提出了一个统一病变检测和DR等级识别的新框架。 使用中心样本检测器，我们可以使用低质量的注释数据来训练有效的模型，并使用中心损失来使模型更具辨别性和鲁棒性。 此外，使用基于注意机制的新信息融合方法，我们实现了更好的DR识别。 实验表明，我们的方法优于最先进的方法。