[論文レビュー] A Novel Hybrid Machine Learning Model for Auto-Classification of Retinal Diseases

Chris Yang, Jia-Hong Huang+6 more|arXiv (Cornell University)|Jun 17, 2018

Retinal Imaging and Analysis参考文献 15被引用数 21

ひとこと要約

本論文は、32種類の網膜疾患を自動分類するための、U-Netに基づく深層ニューラルネットワーク（DNN）とサポートベクターマシン（SVM）を組み合わせた新規ハイブリッド機械学習モデルを提案する。モデルは、網膜特徴の意味的セグメンテーションにU-Netを用い、その後主成分分析（PCA）による次元削減とSVM分類を実行し、新しく導入されたEyeNetデータセットで89.73%の正確度を達成した。これは専門的な眼科医と同等の性能である。

ABSTRACT

Automatic clinical diagnosis of retinal diseases has emerged as a promising approach to facilitate discovery in areas with limited access to specialists. We propose a novel visual-assisted diagnosis hybrid model based on the support vector machine (SVM) and deep neural networks (DNNs). The model incorporates complementary strengths of DNNs and SVM. Furthermore, we present a new clinical retina label collection for ophthalmology incorporating 32 retina diseases classes. Using EyeNet, our model achieves 89.73% diagnosis accuracy and the model performance is comparable to the professional ophthalmologists.

研究の動機と目的

• 臨床現場、特に支援が不足しているまたは遠隔地の地域において、自動的で信頼性が高くスケーラブルな網膜疾患診断システムの開発を目的とする。
• 限られたラベル付き網膜画像データの課題に対処するため、32種類の疾患クラスを含む包括的な臨床ラベル収集データセットであるEyeNetを新たに導入する。
• 深層学習による特徴抽出とSVMによる頑健で高水準の分類を統合することで、診断の正確度を向上させる。
• エキスパート眼科医と同等の性能を発揮するシステムを構築することで、現場での診断を可能にする。
• 豊富でマルチモーダルな網膜画像データセットを提供することで、視覚的質問応答やインテリジェント医療システム分野の今後の研究を支援する。

提案手法

• ハイブリッドアーキテクチャを設計：原始的な網膜画像をU-Netが処理し、意味的特徴を抽出した後、次元削減に主成分分析（PCA）を適用する。
• 次元削減後の特徴マップを、RBFカーネルおよび多項式カーネルを用いた多クラスSVM分類器に供給し、最終的な疾患予測を実行する。
• 全EyeNetデータセットとU-Netで処理されたサブセットの2つのSVMを用いた重み付き投票戦略を採用し、最適なハイブリッド比は47%:53%であった。
• 小規模な医療画像データセットにおいて性能を向上させるために、ImageNetで事前学習された重み（AlexNet、VGG11、SqueezeNet）を用いた転移学習を適用する。
• トレーニング中にデータ拡張を実施し、ランダムな反転、回転、クロップを1エポックあたり70%の確率で実行する。
• ハイパーパrameterは全モデルで固定：400エポック、2段階の学習率（最初の200エポックで1e-4、次の200エポックで1e-5）。

実験結果

リサーチクエスチョン

• RQ1 限られた臨床データを用いて、ハイブリッド深層学習とSVMモデルが複数の網膜疾患に対して高い診断正確度を達成できるか？
• RQ2 U-Netに基づく特徴抽出とSVM分類を組み合わせることで、単体のDNNと比較して性能がどのように向上するか？
• RQ3 ImageNetからの転移学習が、小規模な網膜画像データセットにおける一般化性能をどの程度向上させるか？
• RQ4 提案されたEyeNetデータセットは、信頼性があり再現可能で臨床的に関連性のある網膜疾患分類を支援できるか？
• RQ5 異なるデータサブセットで学習された2つのSVM間の重み付き投票戦略が、最終的な診断正確度にどのように影響するか？

主な発見

• ハイブリッドモデルは、RBFカーネルを用い、47%:53%のハイブリッド比で89.73%の分類正確度を達成し、すべての単体DNNベースラインを上回った。
• 転移学習は性能を顕著に向上させ、全DNNにおいてランダム初期化と比較してテスト正確度が5～15ポイント向上した。
• VGG11ベースのモデルがベースラインの中で最高の正確度88.71%を達成し、次いでSqueezeNet（82.26%）、AlexNet（79.03%）の順であった。
• U-Netのセグメンテーション結果は正解と高い類似性を示し、マクローラル変性やディスク出血を含む多様な病変において、明確な優れた性能が定性的に確認された。
• モデルは過学習に対して頑健であり、トレーニング正確度と検証正確度の差がたった2.31%にとどまり、効果的な一般化が示された。
• 32種類の網膜疾患クラスを含み、画像とテキスト臨床ラベルを併せ持つEyeNetデータセットは、今後の網膜眼科AI研究のための新規で公開可能なリソースである。