[論文レビュー] A Benchmark of Ocular Disease Intelligent Recognition: One Shot for Multi-disease Detection

Ning Li, Tao Li+3 more|arXiv (Cornell University)|Feb 16, 2021

Retinal Imaging and Analysis参考文献 29被引用数 12

ひとこと要約

本稿では、5,000人の患者から得られた10,000枚の両眼視網膜画像を含むOIA-ODIRというベンチマークデータセットを紹介する。これらの画像は8種類の眼疾患についてアノテートされており、1回の入力で複数疾患を検出可能な仕組みを提供する。実験の結果、ネットワークの深さを増すだけでは性能向上が得られないことが判明したが、適切に構造化された特徴抽出統合や、広いネットワーク、またはアンサンブルネットワークを用いることで、複数疾患分類の精度が顕著に向上することが示された。

ABSTRACT

In ophthalmology, early fundus screening is an economic and effective way to prevent blindness caused by ophthalmic diseases. Clinically, due to the lack of medical resources, manual diagnosis is time-consuming and may delay the condition. With the development of deep learning, some researches on ophthalmic diseases have achieved good results, however, most of them are just based on one disease. During fundus screening, ophthalmologists usually give diagnoses of multi-disease on binocular fundus image, so we release a dataset with 8 diseases to meet the real medical scene, which contains 10,000 fundus images from both eyes of 5,000 patients. We did some benchmark experiments on it through some state-of-the-art deep neural networks. We found simply increasing the scale of network cannot bring good results for multi-disease classification, and a well-structured feature fusion method combines characteristics of multi-disease is needed. Through this work, we hope to advance the research of related fields.

研究の動機と目的

• 臨床的AI研究の分野において、大規模かつ複数疾患、両眼視網膜画像を含むデータセットが不足しているという問題に対処すること。
• 両眼を検査する臨床的実践を反映した、視網膜スクリーニングにおけるエンドツーエンドの複数疾患分類を可能にすること。
• ディープラーニングモデルの複数疾患視網膜画像分類性能を評価するためのベンチマークを確立すること。
• 単なるネットワークスケーリングを超えた、性能向上に寄与するアーキテクチャ設計および特徴抽出統合戦略を同定すること。

提案手法

• 著者らは、5,000人の患者から両眼の視網膜画像を10,000枚収集・アノテートした。
• 各画像には、糖尿病網膜症、緑内障、白内障、加齢性黄斑デゲネレーションを含む最大8種類の眼疾患がラベル付けされている。
• 臨床的実態である複数疾患の共存を反映した、マルチラベル分類をサポートする。
• ResNet、DenseNet、EfficientNetの変種を含む9種類の最先端ディープニューラルネットワークが、このデータセット上で評価された。
• 異なるネットワークブランチを介した複数疾患特徴を統合するための特徴抽出統合戦略が設計された。
• ネットワークの深さ、幅、アンサンブルアプローチの各性能を比較し、最適なアーキテクチャを同定した。

実験結果

リサーチクエスチョン

• RQ1 ディープラーニングモデルは、両眼視網膜画像に対して1回の入力で複数疾患を効果的に検出できるか？
• RQ2 ネットワークの深さを増すだけでは、複数疾患視網膜分類の性能が向上するか？
• RQ3 複数疾患特異的表現間の特徴抽出統合は、分類精度にどのように影響するか？
• RQ4 アーキテクチャ選択として、深さ、幅、またはアンサンブル戦略のうち、どの選択がこの複数疾患ベンチマークで最高の性能をもたらすか？
• RQ5 データの不均衡とクラス内多様性は、現実の視網膜画像におけるモデルの一般化性能にどのように影響するか？

主な発見

• ニューラルネットワークの深さを単に増やしても、複数疾患視網膜分類の性能向上にはつながらない。
• ネットワークの幅を広げたり、アンサンブルモデルを用いることで、分類精度に顕著な向上が得られる。
• 複数疾患特徴を的確に統合できる、適切に構造化された特徴抽出統合機構が、高い性能を実現するために不可欠である。
• OIA-ODIRデータセットは、撮影条件の違いや疾患の現れ方の多様性により、顕著なクラス内変動を示している。
• データの不均衡は依然として課題であり、とくにまれな疾患ではモデルの一般化性能に悪影響を及ぼす。
• 本データセットにより、年齢予測、画像キャプション生成、マルチモーダル診断のためのグラフニューラルネットワーク統合といった、新たな応用が可能になった。