[論文レビュー] Automated Strabismus Detection for Telemedicine Applications

Jiewei Lu, Zhun Fan+5 more|arXiv (Cornell University)|Sep 9, 2018

Retinal Imaging and AnalysisMedicine参考文献 18被引用数 18

ひとこと要約

本論文は、テレメディスンにおける自動ストラビズム検出のためのエンド・ツー・エンドのディーブラーニングフレームワークであるRF-CNNを提案する。まずR-FCNを用いて眼領域をセグメンテーションし、その後、CNNを用いてストラビズムまたは正常であることを分類する。本手法は、新たに確立されたテレストラビズムデータセット上で93.30%の感度、96.17%の特異度、98.65%のAUCを達成し、遠隔診断において優れた性能を示している。

ABSTRACT

Strabismus is one of the most influential ophthalmologic diseases in human's life. Timely detection of strabismus contributes to its prognosis and treatment. Telemedicine, which has great potential to alleviate the growing demand of the diagnosis of ophthalmologic diseases, is an effective method to achieve timely strabismus detection. In this paper, a tele strabismus dataset is established by the ophthalmologists. Then an end-to-end framework named as RF-CNN is proposed to achieve automated strabismus detection on the established tele strabismus dataset. RF-CNN first performs eye region segmentation on each individual image, and further classifies the segmented eye regions with deep neural networks. The experimental results on the established tele strabismus dataset demonstrates that the proposed RF-CNN can have a good performance on automated strabismus detection for telemedicine application. Code is made publicly available at: https://github.com/jieWeiLu/Strabismus-Detection-for-Telemedicine-Application.

研究の動機と目的

• 遠隔地や医療が不足している地域における早期ストラビズム診断の増加するニーズに対応すること。
• 専門医の立ち会いを要する従来の現場診断の限界を克服すること。
• テレメディスンを用いた、自動的でスケーラブルなストラビズム検出ソリューションの開発。
• 研究および臨床的妥当性検証のための公開可能なテレストラビズムデータセットの構築。
• 弱視や失明などの合併症を防ぐために、ストラビズムの早期検出を可能にすること。

提案手法

• エンド・ツー・エンドのRF-CNNフレームワークを提案し、2段階の処理で構成される：眼領域セグメンテーションとストラビズム分類。
• 正確な眼領域セグメンテーションを実現するため、R-FCNを用いて位置に敏感なスコアマップを生成し、背景の干渉を低減する。
• セグメンテーションされた眼領域を、深層畳み込みニューラルネットワーク（CNN）に供給し、最終的にストラビズムまたは正常に分類する。
• 重み減衰5×10⁻⁴およびドロップアウト率0.5を用いた確率的勾配降下法でネットワークを学習させる。
• GPU搭載システム上で5000イテレーションにわたり学習を実施し、バッチサイズは32、初期学習率は0.01とする。
• フレームワークはTensorFlowを用いて実装され、新たに収集されたテレストラビズムデータセットで検証された。

実験結果

リサーチクエスチョン

• RQ1 自動化されたディープラーニングシステムは、テレメディスン環境において高精度なストラビズム検出を達成できるか？
• RQ2 トレーニング例の数が、自動ストラビズム検出の性能にどのように影響するか？
• RQ3 複雑で多様なテレメディスン画像において、眼領域セグメンテーションは検出精度を向上させることができるか？
• RQ4 研究および臨床的利用のための公開可能なテレストラビズムデータセットの開発は可能か？
• RQ5 提案されたRF-CNNフレームワークは、従来の手法に比べ、遠隔診断における感度と特異度で優れているか？

主な発見

• RF-CNNは、テレストラビズムデータセット上で93.30%の感度を達成し、ストラビズム症例の検出能力が優れていることを示している。
• 特異度は96.17%に達し、正常な眼画像を高精度で同定していることを示している。
• モデルは93.89%の正答率とAUC 0.9865を達成し、優れた全体的な診断性能を示している。
• 1500例までのトレーニング例で性能が著しく向上し、その後は上昇が止まった。
• 感度分析により、トレーニングデータの増加に伴い、モデルの性能が頑健でスケーラブルであることが確認された。
• 本研究では、新たに確立されたデータセットで検証された、最初のエンド・ツー・エンドの自動ストラビズム検出フレームワークを提示した。