MuReD2022——多标签视网膜疾病分类

今天将分享多标签视网膜疾病分类完整实现版本，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、MuReD2022介绍

视网膜是眼睛的主要组成部分之一，支持视觉功能。它位于眼睛的后部，其主要工作是将进入眼睛的光转换为电信号，通过视神经传递到大脑。由于其性质，视网膜既可以反映仅限于眼睛的疾病的发生，也可以反映更广泛的生理状况，特别是循环系统和脑部疾病。年龄相关性黄斑变性(ARMD)、糖尿病性视网膜病变(DR)和青光眼等疾病每年导致全球超过1000万人失明。事实上，青光眼是发达国家第二大最常见的失明原因，ARMD是50岁以上人群失明的最常见原因，针对25 至 74 岁年龄段的人群DR是视力丧失的最重要原因之一。定期检查视网膜可以支持在出现任何症状之前早期诊断疾病。早期诊断至关重要，因为早期检测可以防止患者完全视力丧失，并通过及时治疗支持延迟和可能阻止退行性疾病、进行性视网膜萎缩。

早期发现视网膜疾病是预防患者部分或永久失明的最重要手段之一。手动视网膜检查的主要障碍之一是人均缺乏足够数量的合格医务人员来诊断疾病。事实证明，计算机辅助诊断系统 (CAD) 可以非常有效地帮助医生减少诊断时间并最大限度地减少图像判读的变异性。尽管如此，它们仍然不够灵活，无法适应同时存在的多种视网膜疾病，这是现实应用中的常见情况。在过去的几年中，很少有数据集专注于同时存在的多种视网膜病变的分类，即多标签分类，但它们都存在一些共同的问题，例如病理范围狭窄 分类时存在严重的类别不平衡、代表性不足的标签的样本量较少、图像质量无法保证等问题。所有这些问题都会阻碍使用这些数据集训练的任何模型的性能，从而导致鲁棒性差、缺乏泛化性以及预测的可信度降低。

二、MuReD2022任务

眼底视网膜20类疾病分类。

三、MuReD2022数据集

MuReD 数据集是使用一些公开可用的数据集构建的，可以预测来自各种来源、具有不同图像质量的多种疾病，同时确保最低程度的质量，使模型更准确 对图像变化具有鲁棒性，并且每个疾病类别都有足够数量的样本，以便模型可以有效地学习它们。MuReD数据集由ARIA数据集组成，包含143张图像和三个要预测的标签，STARE数据集，包含388张图像和21个条件，以及RFMiD数据集的训练集，其中包含1920 张具有 46 种不同病理的图像。决定仅将 RFMiD 数据集的训练集合并到 MuReD 数据集中，以避免过多偏差，因为与完整 RFMiD 数据集相比，ARIA 和 STARE 数据集包含的图像数量较少。因此，新复合数据集的第一个版本包含 2451 个样本、52 个疾病标签、一个用于健康眼底图像的“正常”类，以及用于指示一种罕见疾病的存在的“其他”类，其中很少有疾病 可以使用示例将其视为独立的一类。

MuReD 数据集由 2208 张图像组成，具有 20 个不同的标签，图像质量和分辨率各不相同。同时，确保数据的最低质量，每个标签有足够数量的样本。MuReD 数据集是唯一一个公开可用的数据集，它应用一系列后处理步骤来确保图像的质量、病理的多样性和每个标签的样本数量，从而增加 数据质量并显着减少公开数据集中存在的类别不平衡。

数据集下载：

https://data.mendeley.com/datasets/pc4mb3h8hz/1

四、技术路线

1、将图像缩放到固定大小512x512，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、验证集部分预测结果