Visual regression of clinical parameters from retinal images

Abstract

Retinal image features, especially related to the blood vessels, have been proposed as early indicators of various retinal and systemic diseases. Monitoring the features over time can provide insight into the progression of several diseases. Traditionally, ophthalmologists perform retinal image analysis visually, which can be very laborious. Therefore, research on automated retinal image analysis methods is well-motivated, as it can help ophthalmologists perform their diagnosis work faster. In recent years, convolutional neural network based image analysis methods have been achieving state-of-the-art results on different datasets. This work focuses on using AlexNet, VGG16 and InceptionV3 convolutional neural network architectures to perform visual regression to predict four clinical parameters, age, systolic blood pressure, diastolic blood pressure and arteriovenous ratio from retinal images. The performance and suitability of these networks is evaluated and compared. Based on the experiments, the InceptionV3 is best suited for the task, but to achieve reliable predictions a lot of training data is needed.

Silmänpohjakuvien piirteitä, varsinkin verisuoniin liittyviä, on ehdotettu aikaisina merkkeinä useisiin systeemisiin ja silmänpohjan sairauksiin. Perinteisesti silmälääkärit suorittavat silmänpohjakuvien analysointia visuaalisesti, mikä rajoittaa laajojen seulontojen tekemistä. Silmänpohjakuvien automatisoitu analysointi on näin ollen perusteltu tutkimuskohde, sillä nämä menetelmät voivat auttaa silmälääkäreitä tekemään diagnooseja nopeammin. Viime vuosina konvolutiivisiin neuroverkkoihin perustuvat kuvien analysointimenetelmät ovat saavuttaneet erittäin hyviä tuloksia monilla eri aineistoilla. Tässä työssä käytetään AlexNet-, VGG16- ja InceptionV3-neuroverkkoarkkitehtuureja ennustamaan neljää kliinisesti määritettyä parametria, ikää, systolista ja diastolista verenpainetta sekä valtimoiden ja laskimoiden mittojen välistä suhdelukua. Suoritettujen kokeiden perusteella ennustamiseen parhaiten soveltuva arkkitehtuuri on InceptionV3, mutta luotettavien ennusteiden saavuttamiseksi tarvitaan paljon opetusaineistoa.