Semi-Supervised Learning in Retinal Image Analysis

No Thumbnail Available
Journal Title
Journal ISSN
Volume Title
Perustieteiden korkeakoulu | Master's thesis
Date
2018-06-18
Department
Major/Subject
Machine Learning and Data Mining
Mcode
SCI3044
Degree programme
Master’s Programme in Computer, Communication and Information Sciences
Language
en
Pages
83 + 2
Series
Abstract
This thesis studies automated detection of diabetic retinopathy in color retinal images using deep learning. Diabetic retinopathy is a condition caused by diabetes, giving rise to complications in the back of the eye, called retina. The complications of diabetic retinopathy may cause partial or complete loss of vision, if left untreated. The screening for diabetic retinopathy in the population of diabetics is vital, however the screening is currently performed by medical professionals, only. To reduce the amount of manual labour required and to make the screening more accessible to people worldwide, automated systems for the detection of diabetic retinopathy are needed. Recently proposed deep learning systems have reached high specificity and high sensitivity for the detection of diabetic retinopathy. However, these systems use large datasets of labeled examples in the training. In this thesis we study the training of a deep learning classifier, in the detection of diabetic retinopathy, using less annotated data than the state of the art systems, in both supervised and semi-supervised learning. We develop a novel parametrization of the variational autoencoder (VAE), called class hierarchical variational autoencoder (CHVAE), which we implement in the semi-supervised setting. All models reached sensitivity and specificity recommended for a human screener. However, semi-supervised learning did not improve the classification results. The CHVAE did produce more realistic samples of retinal images than previously proposed VAE and GAN models for retinal image synthesis, however it did not produce as realistic samples as the state of the art system, and it did not generate samples with clear signs of diabetic retinopathy.

Tässä työssä tutkitaan automaattista diabeettisen retinopatian tunnistamista retinasta otetuista värikuvista käyttäen hyödyksi syväoppimisen menetelmiä. Diabeettinen retinopatia on diabeteksen komplikaatio, jossa silmänpohjaan, eli retinaan, alkaa ilmestyä muutoksia. Jos retinopatiaa ei hoideta, saattaa se aiheuttaa näön osittaisen tai kokonaisen menetyksen. Tästä syystä diabeetikoille on tärkeää järjestää seulonta diabeettista retinopatiaa varten. Nykypäivänä seulonnan kuitenkin tekee lääketieteen ammattilaiset, minkä seurauksena seulonta vaatii työvoimaresursseja. Jotta seulonnan vaatimia resursseja voitaisiin pienentää ja jotta seulonta voitaisiin järjestää kaikkien ihmisten ulottuville, automatisoidut retinopatian tunnistusmenetelmät ovat tarpeen. Hiljattain kehitetyt syvät neuroverkot ovat saavuttaneet korkeita sensitiivisyyden ja spesifisyyden arvoja diabeettisen retinopatian luokittelussa. Kyseiset syvät neuroverkot on kuitenkin koulutettu suurella aineistolla luokiteltuja retinakuvia. Tässä työssä tutkimme syvien neuroverkkojen kouluttamista diabeettisen retinopatian tunnistamiseen käyttämällä pienempää annotoitua kuvaineistoa niin kutsutuissa supervised ja semi-supervised oppimismuodoissa. Esittelemme työssä uuden variational autoencoder (VAE) parametrisoinnin, jota kutsumme class hierarchical variational autoencoderiksi (CHVAE) ja jonka implementoimme semi-supervised oppimismuodossa. Kaikki työssä kehitetyt mallit saavuttivat ihmisseulojalle suositeltuja sensitiivisyyden ja spesifisyyden arvoja. Semi-supervised oppimismuoto ei kuitenkaan vaikuttanut parantavan luokittelutuloksia. CHVAE malli pystyi generoimaan uskottavampia retinakuvia kuin aiemmin esitellyt retinakuvien generointiin tarkoitetetut VAE ja GAN mallit, mutta se ei kuitenkaan kyennyt luomaan yhtä uskottavia kuvia kuin state of the art systeemi, eikä sen tuottamista retinakuvista voinut erottaa selkeitä diabeettisen retinopatian oireita.
Description
Supervisor
Kaski, Kimmo
Thesis advisor
Kivinen, Jyri
Keywords
retina, diabetic retinopathy, machine learning, deep learning, semi-supervised learning, classification
Other note
Citation