[論文レビュー] Automated Diabetic Retinopathy Grading using Deep Convolutional Neural Network

Saket S. Chaturvedi, Kajol Gupta+2 more|arXiv (Cornell University)|Apr 14, 2020

Retinal Imaging and Analysis被引用数 15

ひとこと要約

本論文は、APTOS 2019 データセットのスクリーニング画像を用いて、自動化された糖尿病網膜症（DR）重症度分類のための修正された DenseNet121 アーキテクチャを提案する。マルチラベル分類では96.51%の精度、シングルクラス分類では94.44%の精度を達成し、精度（86%）、再現率（87%）、F1スコア（86%）、および重み付き二次ケンドールの順位相関係数（91.96%）が高く、早期段階のDR検出において優れた性能を示している。

ABSTRACT

Diabetic Retinopathy is a global health problem, influences 100 million individuals worldwide, and in the next few decades, these incidences are expected to reach epidemic proportions. Diabetic Retinopathy is a subtle eye disease that can cause sudden, irreversible vision loss. The early-stage Diabetic Retinopathy diagnosis can be challenging for human experts, considering the visual complexity of fundus photography retinal images. However, Early Stage detection of Diabetic Retinopathy can significantly alter the severe vision loss problem. The competence of computer-aided detection systems to accurately detect the Diabetic Retinopathy had popularized them among researchers. In this study, we have utilized a pre-trained DenseNet121 network with several modifications and trained on APTOS 2019 dataset. The proposed method outperformed other state-of-the-art networks in early-stage detection and achieved 96.51% accuracy in severity grading of Diabetic Retinopathy for multi-label classification and achieved 94.44% accuracy for single-class classification method. Moreover, the precision, recall, f1-score, and quadratic weighted kappa for our network was reported as 86%, 87%, 86%, and 91.96%, respectively. Our proposed architecture is simultaneously very simple, accurate, and efficient concerning computational time and space.

研究の動機と目的

• 世界で1億人以上が影響を受ける、微細で視力に深刻な影響を及ぼす糖尿病網膜症の早期発見の課題に対処すること。
• 深層学習を用いて、DRのコンピュータ支援診断システムの精度と効率を向上させること。
• 視覚的な複雑さのため、人間の診断が特に困難である早期段階のDR分類において、頑健に性能を発揮するモデルを開発すること。
• APTOS 2019 のスクリーニング画像データセットを用いて、マルチラベルおよびシングルクラスのDR重症度分類のための、修正された DenseNet121 モデルの性能を評価すること。

提案手法

• 事前学習済みの DenseNet121 モデルを、DR重症度ステージにラベルが付与されたAPTOS 2019 データセット上で微調整した。
• DR分類の特徴学習と性能向上を図るために、アーキテクチャの調整を施した。
• マルチラベル分類は、各重症度ステージを二値分類タスクとして扱った。
• シングルクラス分類は、5段階のDR重症度レベルを対象に、標準的な交差エントロピー損失関数を用いてエンドツーエンド学習を実装した。
• 転移学習を用い、データオーグメンテーションを導入することで、汎化性能を向上させ、過学習を低減した。
• 標準的な指標（精度、適合率、再現率、F1スコア、重み付き二次ケンドールの順位相関係数）を用いて性能を評価した。

実験結果

リサーチクエスチョン

• RQ1 修正された DenseNet121 モデルは、APTOS 2019 データセットにおいて、最先端のモデルと比較して優れた性能を示すことができるか？
• RQ2 人間の専門家にとって特に困難な、早期段階の糖尿病網膜症を区別する能力は、モデルがどの程度高いか？
• RQ3 深層学習を用いたDR重症度分類において、マルチラベル分類とシングルクラス分類の戦略の比較的有効性は何か？
• RQ4 提案手法は、臨床用途に適したDRスクリーニングにおいて、精度、計算効率、およびモデルの単純さのバランスをどの程度達成できるか？

主な発見

• 提案手法は、APTOS 2019 データセットにおけるDR重症度分類のマルチラベル分類で96.51%の精度を達成した。
• シングルクラス分類では94.44%の精度を達成し、全5段階のDR重症度レベルで優れた性能を示した。
• 適合率86%、再現率87%、F1スコア86%を記録し、陽性・陰性予測の両方においてバランスの取れた性能を示した。
• 重み付き二次ケンドールの順位相関係数は91.96%に達し、専門家によるラベルとの強い一致を示し、重症度推定の信頼性が非常に高いことを裏付けた。
• アーキテクチャは計算的に効率的であり、高い精度と低いリソース消費量の両立を実現した。
• 早期段階のDR検出において、他の最先端のニューラルネットワークを上回る性能を示し、臨床的応用の可能性が顕著に高まった。