[論文レビュー] A Refined Deep Learning Architecture for Diabetic Foot Ulcers Detection

Manu Goyal, Saeed Hassanpour|arXiv (Cornell University)|Jul 15, 2020

Diabetic Foot Ulcer Assessment and Management参考文献 25被引用数 13

ひとこと要約

本論文は、4,500枚の足画像からなるデータセットにおいて、自動化された糖尿病性足部潰瘍（DFU）検出のための洗練されたEfficientDetベースの深層学習アーキテクチャを提案する。色の定常性の前処理、ランダム回転およびずれを用いたデータ拡張、およびスコア閾値化と非最大抑制による後処理を適用することで、誤検出と見逃しを低減し、DFUC2020チャレンジデータセットにおいて検出精度を向上させた。

ABSTRACT

Diabetic Foot Ulcers (DFU) that affect the lower extremities are a major complication of diabetes. Each year, more than 1 million diabetic patients undergo amputation due to failure to recognize DFU and get the proper treatment from clinicians. There is an urgent need to use a CAD system for the detection of DFU. In this paper, we propose using deep learning methods (EfficientDet Architectures) for the detection of DFU in the DFUC2020 challenge dataset, which consists of 4,500 DFU images. We further refined the EfficientDet architecture to avoid false negative and false positive predictions. The code for this method is available at https://github.com/Manugoyal12345/Yet-Another-EfficientDet-Pytorch.

研究の動機と目的

• 糖尿病患者における遅延したDFU検出に起因する予防可能な下肢切断の発生率の低減を目的とする。
• 深層学習を用いた、自動的でコスト効率の良い画像支援診断（CAD）システムの開発を目的とする。
• DFUC2020データセットにおける検出性能の向上を図り、誤検出および見逃しの削減を目的とする。
• リソース制限のある地域や地方の医療環境において、スケーラブルでテレメディスン対応のDFUスクリーニングを可能にする。
• MS-COCOからのトランスファー学習を活用し、小規模で多様なDFUデータセットに最適化されたEfficientDetの微調整を目的とする。

提案手法

• 4,500枚のDFU画像全体にわたり、照明および機器のばらつきを補正するため、Shades of Grayの色定常性アルゴリズムを適用した。
• 画像のばらつきに強いモデルを実現するため、ランダム回転およびずれを含むデータ拡張技術を用いた。
• DFUC2020データセット上で、MS-COCOから事前学習済みのEfficientDetモデルをトランスファー学習により微調整した。
• 重複するバウンディングボックスを削除し、誤検出を低減するために、スコア閾値0.5と非最大抑制を採用した。
• NVIDIA Quadro RTX 8000 GPUを用いて100エポックの学習後、検証損失が最小となったモデルを最終モデルとして選定した。
• 実装およびモデル学習には、PyTorchベースのYet-Another-EfficientDet-Pytorchコードベースを用いた。

実験結果

リサーチクエスチョン

• RQ1 洗練されたEfficientDetアーキテクチャは、多様な医療画像データにおけるDFU検出精度を向上させることができるか？
• RQ2 色定常性の前処理は、DFU画像における照明および機器由来のばらつきをどれほど低減できるか？
• RQ3 回転およびずれのようなデータ拡張技術は、DFU検出におけるモデルの一般化能力をどの程度向上させるか？
• RQ4 スコア閾値化と非最大抑制による後処理は、誤検出および見逃しの予測をどの程度低減できるか？
• RQ5 MS-COCOからのトランスファー学習は、DFUC2020のような小規模で専門性の高い医療データセットにおいて性能を向上させることができるか？

主な発見

• 洗練されたEfficientDetモデルは、後処理による誤検出および見逃しの予測の削減を通じて、検出性能の向上を達成した。
• Shades of Grayの前処理手法は、DFUC2020データセットにおける照明および機器由来のノイズを効果的に低減した。
• ランダム回転およびずれを用いたデータ拡張により、さまざまなサイズや重症度のDFUを検出する能力が向上した。
• 0.5のスコア閾値と非最大抑制の適用により、重複するバウンディングボックスが顕著に減少し、局在化精度が向上した。
• 最終モデルは、100エポックの学習後、検証損失が最小となったことから、安定した収束が確認された。
• 本手法はDFUC2020チャレンジに正常に提出され、実世界の医療画像タスクにおける実用性が実証された。