Biological Age Estimated from Retinal Imaging: A Novel Biomarker of Aging
论文地址：https://www.researchgate.net/publication/336391972_Biological_Age_Estimated_from_Retinal_Imaging_A_Novel_Biomarker_of_Aging
亮点：在训练前对图像进行预处理，突出了特征信息
提出了一种新颖的联合损失函数来训练模型
Biological Age Estimated from Retinal Imaging: A Novel Biomarker of Aging 是MICCAI 2019 中的一篇文章，最近正在做一些根据眼底图像的预测问题，所以学习一下这篇论文并记录。
作者通过深度学习的方法通过眼底图像来试图预测Biological age，先前大多使用脑MRI图像来预测Biological age，通过眼底图像进行预测的结果显示出了眼底图像与Biological age也很有关联性。
本文新颖的地方主要有三点：
第一，在将图像投入模型之前先对其进行了细节增强，效果很好。
第二，不同于寻常的年龄预测，文章并没有将其作为一个回归问题，而是当做分类问题来训练，非常巧妙。
第三，设计了一种联合损失函数。
上图给出了模型的结构，主体部分为主流的CNN网络，进行训练时，将source label做成类似one-hot的形式，不同于one-hot，作者将source label 转换成服从高斯分布的label，不过左右两边都设立的界限，使得分布不超过这个界限（例如年龄为60，经过转换使得label在55-65范围内服从高斯分布，其余依然为0），这么做的好处在于传统的one-hot label 过分强调独立性，忽视了相邻标签间的连续性（年龄是连续的），转为高斯分布可以加强连续性。模型输出的是一个各个年龄可能性的概率分布图，最后的结果则是求出这个概率分布的期望得到。
Image Detail Enhancement
先前的研究表明眼底图像的整体结构都与衰老有关，因此采用一种图像增强的方法来增强图像的细节特征，这么做可以防止网络忽略了细小的特征而影响性能。
step1：将图像由RGB 转为 CIE Lab Color space
step2：对于L通道的图像，采用 domain transform filter 对其进行过滤，迭代操作生成三个版本的L通道图像L0，L1，L2，其中L0 = L。
step3：通过公式L’ = L2 + S(L1-L2) + S(L0-L1)来计算最终的L’，其中S(·)为sigmoid函数。两个减法操作可以保留不同层之间的细节信息。
step4：用L’ 替换 L， 再将图像转回RGB。
结果如下，很好的增强了诸如血管之类的特征，对于微血管也有很好的增强：
Joint Loss Function
Loss Function ： Label distribution softmax loss + Error-tolerated weighted Kappa loss
Label distribution softmax loss：
N：一个batch中image的数目
K：年龄类别总数
di^k：第k类年龄对应的label值
pi^k：第k类年龄对应的概率
在一定界限内（y-b，y+b）内的di服从高斯分布，超出界限则为0
Error-tolerated weighted Kappa loss：
Kw是Kappa权重
总的loss function为
结果显示利用眼底图像进行预测的结果优于利用MRI脑部图像预测，结果如下：
损失函数使用Label distribution softmax loss 和 使用联合损失函数各有长处，前一种的MAE更好，后一种的CS更好。
PS：预处理做得好能对结果有很大提升！