中文 - English
发表文章链接：doi:10.1371/journal.pone.0217541。
发布训练的神经网络模型：doi:10.6084/m9.figshare.8312183.
我们试图复制开发以及验证深度学习算法的主要方法，是用来检测在 JAMA 2016 上所发表的视网膜眼底照片中的糖尿病视网膜病变（Development and Validation of a Deep Learning Algorithm for Detection of Diabetic Retinopathy in Retinal Fundus Photographs; JAMA 2016年, 316(22); 链接)。我们重新实现了该方法，但是源代码不可使用，因此我们使用了公开可使用的数据集。
最初的研究是使用来自 EyePACS 和印度三家医院的非公共眼底图像而进行培训。我们使用了 Kaggle 的不同 EyePACS 数据集。最初的研究使用了基准数据集 Messidor-2 来评估算法的性能。我们使用了Messidor-2数据集的另一个分布，因为原始数据集不再可用。在起初的研究中，眼科医生重新评估了糖尿病视网膜病变，黄斑水肿和图像可分级性的所有图像。我们的数据集中每个图像有一个糖尿病视网膜病变等级，我们自己评估了图像的可分级性。
我们无法复制原版的研究。我们的算法的接收器操作曲线在 Kaggle EyePACS 测试集（AUC）为0.951 (95% CI, 0.947-0.956)，在 Messidor-2 为0.853 (95% CI, 0.835-0.871)，但是在原版的研究中，未接近报告中的AUC，0.99。这可能是由于每个图像使用一个等级或不同的超参数的设置而引起的。
Python要求：
- Python >= 3.6
- Tensorflow >= 1.4
- OpenCV >= 1.3
- Pillow
- h5py
- xlrd
- matplotlib >= 2.1
其他需求：
- p7zip-full
- unzip
1.执行 $ git submodule update --init 来加载 create_tfrecords 存储库。这工具会将数据集转换为 TFRecord 文件。
2.下载压缩的 Kaggle EyePACS数据集 并将所有的文件（即训练和测试集和标签）放在 data/eyepacs 文件夹。我们建议您使用 Kaggle API。
3.执行 $ ./eyepacs.sh 来解压缩并预先处理 Kaggle EyePACS 数据集，和将此集重新分配到训练和测试集中。如果您只想使用可分级图像来进行训练和评估，使用 --only_gradable 标志来执行。注意：这是一个大型的数据集，因此可能需要数小时才能完成。
对于 Messidor-2：
4.执行 $ ./messidor2.sh 来下载，解压缩和预先处理 Messidor-2 的数据集。该数据集可从Michael D. Abramoff的页面 此处 上的数据集和算法部分下载。
对于 Messidor-Original：
5.下载 Messidor-Original 数据集 并将所有的文件放在 data/messidor 的文件夹中。
6.执行 $ ./messidor.sh 来预先处理 Messidor-Original 数据集。如果只要可分级图像而进行评估，使用 --only_gradable 标志执行。
使用默认设置来开始训练，并执行 $ python train.py。可选使用 -sm 参数来指定模型检查点应保存到的路径。
运行 $ python train.py -h 以查看用于使用您自己的数据集进行培训的其他可选参数，或者保存摘要或操作阈值指标的位置。
要在 Kaggle EyePACS 测试集上评估或者测试训练神经网络，执行 $ python evaluate.py -e。要评估 Messidor-Original，要使用 -m 标志来执行它。要评估 Messidor-2，使用 -m2 标志。
为创建网络集合和评估预测的线性平均值，要使用 -lm 参数。要指定要评估为集合的多个模型，模型路径应要以逗号分隔或者满足正则的表达式。例如：-lm =./tmp/model-1，./tmp/model-2，./tmp/model-3 或者 -lm =./tmp/model-？。
注意：本研究中使用的训练模型可公开访问，可以下载; 链接。
评估脚本通过使用操作阈值而输出混淆的矩阵，特异性和灵敏度。默认的操作阈值为0.5，也可以使用 -op 参数来进行更改。
执行 $ python evaluate.py -h 以获取其他参数的选项。
要在不同的数据集上来评估训练的神经网络，请按照下列的步骤操作：
1.创建 Python 的脚本或启动 Python 的会期，使用 lib/preprocess.py 中的 resize_and_center_fundus 来预先处理所有的图像并把其调整为299x299的像素。
2.创建一个目录包含着两个子目录 image_dir/0 和 image_dir/1。把诊断为可接受糖尿病视网膜病变的预先处理图像移动到 image_dir/1 ，把没有rDR的图像移动到 image_dir/0。
3.创建 TFRecords： $ python ./create_tfrecords/create_tfrecord.py --dataset_dir=image_dir（执行 -h 来使用可选参数)。
4.为了评估，执行 $ python evaluate.py -o=image_dir。执行 -h 来使用可选参数。
我们将存储库分为 TensorFlow 基准测试（tensorflow/benchmarks）来执行本研究中所使用的视网膜眼底图像和标签的基准（链接到 fork)。我们还提供了一个 Docker 图像 maikovich/tf_cnn_benchmarks 是为了更加轻松地执行基准测试。
要使用本研究的 GPU 数据来执行基准训练，使用Docker 来执行以下指令。将 path/to/train_dir 替换成为带有测试数据的 TFRecord 分片集目录的路径。可以根据环境的功能，而修改 --num_gpu ，--batch_size 标志。对于其它的标志，请参阅分叉存储库。
$ nvidia-docker run --mount type=bind，source=/path/to/train_dir，target=/data maikovich/tf_cnn_benchmarks:latest --data_dir=/data --model=inception3 --data_name=retina --num_gpus=2 --batch_size=64
执行基准来测量评估测试数据集的性能，使用 --eval 标志来执行以上的指令，并用带有测试数据的 TFRecord 分片集目录的路径，来替换安装源目录。
在这存储库中，我们也提供了一个例子 jinja file（请参阅 benchmarks.yaml.jinja.example）以产生 Kubernetes yaml 的描述。这可以使用在 Kubernetes 集群上的多个节点上以分布式方式，来执行基准测试。要查看更多有关如何将 jinja 文件编译为 yaml 的信息，请参阅 自述文件。
原版基准的概述结果，例如：ImageNet 的数据可以在 此处 找到。