DRAC2022——糖尿病视网膜病变分析挑战赛

今天将分享糖尿病视网膜病变分割和分类完整实现版本，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、DRAC2022介绍

糖尿病视网膜病变是导致失明的主要原因之一，影响约 78% 的人，糖尿病病史为 15 年或更长时间。DR 经常导致脉管系统结构的逐渐变化并导致异常。DR 是通过目视检查视网膜眼底图像是否存在视网膜病变来诊断的，例如微动脉瘤 (MA)、视网膜内微血管异常 (IRMA)、非灌注区和新生血管。这些病变的检测对于 DR 的诊断至关重要。 已经有一些工作使用眼底图像进行 DR 诊断 。随着越来越受欢迎，OCT 血管造影 (OCTA) 能够在微血管水平上非常详细地显示视网膜和脉络膜血管系统 。特别地，扫描源 (SS)-OCTA 还允许对脉络膜脉管系统进行单独评估。已经有一些工作使用 SS-OCTA 对糖尿病视网膜病变的定性特征进行分级。此外，超宽光学相干断层扫描血管造影成像 (UW-OCTA) 模式显示典型 OCTA 未捕获的视网膜周边病理负担较高。一些作品已经在 DR 分析中使用了 UW-OCTA 。传统的DR分级诊断主要依靠眼底照相和FFA，尤其是PDR，严重危害视力健康。FA主要用于检测有无新生血管。眼底摄影很难发现早期或小的新生血管病变。FA 是一种侵入性眼底成像，不能用于过敏、怀孕或肝肾功能不佳的患者。超宽OCTA可以无创检测DR新生血管的变化，是帮助眼科医生诊断PDR的重要成像方式。但是，目前还没有能够使用 UW-OCTA 进行自动 DR 分析的作品。在DR分析过程中，首先需要对UW-OCTA的图像质量进行评估，选择成像质量较好的图像。然后进行DR分析，例如病变分割和PDR检测。因此，构建灵活、鲁棒的模型以实现图像质量自动评估、病灶分割和 PDR 检测至关重要。为了促进机器学习和深度学习算法在UW-OCTA图像自动图像质量评估、病灶分割和PDR检测中的应用，促进相应技术在DR临床诊断中的应用，提供了一个标准化的超宽（扫描源）光学相干断层扫描血管造影（UW-OCTA）数据集，用于测试各种算法的有效性。有了这个数据集，不同的算法可以测试它们的性能并与其他算法进行公平的比较，并促进相应技术在DR临床诊断中的应用，提供标准化的超宽（扫描源）光学相干断层扫描血管造影（UW-OCTA）数据集，用于测试各种算法的有效性。

二、DRAC2022任务

任务1：糖尿病性视网膜病变的分割 。

任务2：图像质量评估。

任务3：糖尿病视网膜病变分级。

三、DRAC2022数据集

使用的仪器是 SS-OCTA 系统（VG200D，SVision Imaging, Ltd.，中国河南省洛阳市），工作波长接近 1050nm，每秒 200,000 次 AScan 的超快扫描速度。

任务1数据——糖尿病视网膜病变的分割 ：训练集由109个图像和相应的标签组成。该数据集包含三种不同的糖尿病视网膜病变病变：(1)视网膜内微血管异常、(2)非灌注区、(3)新血管形成。

任务2数据—— 图像质量评估：训练集由665张图像和CSV文件中的相应标签组成。该数据集包含三个不同的图像质量等级：(0)较差质量等级、(1)良好质量等级、(2)优秀质量等级。

任务3数据——糖尿病视网膜病变分级：训练集由611张图像和CSV文件中的相应标签组成。该数据集包含三个不同的糖尿病视网膜病变等级：(0)N正常、(1)NPDR非增殖性糖尿病视网膜病变 、(2)PDR增殖性糖尿病视网膜病变。

四、DRAC2022评价指标

任务 1（分割指标）：平均骰子相似系数 (mDSC)，平均联合交点 (mIOU)，平均精度，平均灵敏度。

任务2和任务3（分类指标）：二次加权 Kappa，平均AUC（曲线下面积），平均精度，平均敏感性，平均特异性。

五、技术路线

任务1、糖尿病视网膜病变分割

1.1、视网膜内微血管异常分割任务

1、只有46例数据用于此任务训练。对图像进行缩放固定到512x512大小，图像采用均值为0，方差为1进行归一化，将数据分成训练（41张）和验证集（5张），其中训练集采用数据增强，扩充10倍。

2、搭建VNet2d网络，使用AdamW优化器，学习率是0.001，batchsize是12，epoch是200，损失函数采用二值化dice+交叉熵。

3、训练结果和验证结果

4、验证集分割结果，左图是眼底图像，中间是金标准图像，右图是分割图像

1.2、非灌注区分割任务

1、只有106例数据用于此任务训练。对图像进行缩放固定到512x512大小，图像采用均值为0，方差为1进行归一化，将数据分成训练（96张）和验证集（10张），其中训练集采用数据增强，扩充10倍。

2、搭建VNet2d网络，使用AdamW优化器，学习率是0.001，batchsize是12，epoch是200，损失函数采用二值化dice+交叉熵。

3、训练结果和验证结果

4、验证集部分分割结果，左图是眼底图像，中间是金标准图像，右图是分割图像

1.3、新血管形成分割任务

1、只有33例数据用于此任务训练。对图像进行缩放固定到512x512大小，图像采用均值为0，方差为1进行归一化，将数据分成训练（29张）和验证集（4张），其中训练集采用数据增强，扩充10倍。

2、搭建VNet2d网络，使用AdamW优化器，学习率是0.001，batchsize是12，epoch是200，损失函数采用二值化dice+交叉熵。

3、训练结果和验证结果

4、验证集分割结果，左图是眼底图像，中间是金标准图像，右图是分割图像

任务2、图像质量评估分类

1、一共有665例数据用于此任务训练，其中标签0有50，标签1有97，标签2有518。对图像进行缩放固定到512x512大小，图像采用均值为0，方差为1进行归一化，将数据按照80%和20%比例分成训练集和验证集，其中训练集对标签0进行数据增强10倍，对标签1进行数据增强5倍。

2、搭建ResNet2d网络，使用AdamW优化器，学习率是0.001，batchsize是36，epoch是100，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

三类标签分别ROC曲线及AUC值，平均值AUC为0.954436295341924

三类标签分别PR曲线及AUC值，平均值AUC为0.8249082527282751

混淆矩阵

分类评估指标

precision recall f1-score support

0 1.00 0.87 0.93 15

1 0.71 0.58 0.64 26

2 0.93 0.97 0.95 159

avg / total 0.91 0.92 0.91 200

任务3、糖尿病视网膜病变分级

1、一共有611例数据用于此任务训练，其中标签0有328，标签1有213，标签2有70。对图像进行缩放固定到512x512大小，图像采用均值为0，方差为1进行归一化，将数据按照80%和20%比例分成训练集和验证集，其中训练集对标签2进行数据增强3倍。

2、搭建ResNet2d网络，使用AdamW优化器，学习率是0.001，batchsize是36，epoch是100，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

三类标签分别ROC曲线及AUC值，平均值AUC为0.8415344049023

三类标签分别PR曲线及AUC值，平均值AUC为0.6997135533377

混淆矩阵

分类指标

precision recall f1-score support

0 0.78 0.78 0.78 103

1 0.58 0.52 0.55 73

2 0.56 0.78 0.65 23

avg/total 0.69 0.68 0.68 199

任务1测试数据结果

任务2测试数据结果

任务3测试数据结果

为了方便大家更高效地学习，我将代码进行了整理并更新到github上，点击https://github.com/junqiangchen/PytorchDeepLearing即可访问。由于之前都是使用tensorflow1.14的进行代码实验开发的，为了方便pytorch的朋友们也可以复现实验结果，我将tensorflow版本的代码翻译转换成pytorch版本的。

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。