[論文レビュー] Automatic Classification of Bright Retinal Lesions via Deep Network Features

Ibrahim Sadek, Mohamed Elawady+1 more|arXiv (Cornell University)|Jul 7, 2017

Retinal Imaging and Analysis参考文献 20被引用数 15

ひとこと要約

本論文では、事前学習済み畳み込みニューラルネットワーク（ResNet、GoogLeNet、VGG-VD、VGG）から特徴を抽出する深層転移学習手法を提案し、網膜の眼底画像を3つのクラス（正常、漏出物、ドゥルゼン）に分類する。これらの深層特徴を非線形分類器（SVM）に使用することで、6つの公開データセットで平均92.00%の精度を達成し、従来のbag-of-words（BoVW）手法よりも13%以上優れた性能を示した。

ABSTRACT

The diabetic retinopathy is timely diagonalized through color eye fundus images by experienced ophthalmologists, in order to recognize potential retinal features and identify early-blindness cases. In this paper, it is proposed to extract deep features from the last fully-connected layer of, four different, pre-trained convolutional neural networks. These features are then feeded into a non-linear classifier to discriminate three-class diabetic cases, i.e., normal, exudates, and drusen. Averaged across 1113 color retinal images collected from six publicly available annotated datasets, the deep features approach perform better than the classical bag-of-words approach. The proposed approaches have an average accuracy between 91.23% and 92.00% with more than 13% improvement over the traditional state of art methods.

研究の動機と目的

• 事前学習済みCNNの深層特徴を用いて、糖尿病性網膜症病変の自動分類を改善すること。
• 網膜画像における正常、漏出物、ドゥルゼン病変の区別という課題に取り組むこと。
• 多様なデータセットにわたる精度と耐性の面で、古典的bag-of-words（BoVW）手法を上回ること。
• 10-fold交差検証を用いて、6つの公開済みでアノテーション済みの網膜画像データセット上で手法を検証すること。
• 多クラス網膜疾患分類において、手作業特徴よりも転移学習が優れていることを実証すること。

提案手法

• ResNet、GoogLeNet、VGG-VD、VGGの4つの事前学習済みCNNの最終全結合層から深層特徴を抽出した。
• これらの特徴を非線形分類器（SVM）の入力として用い、3クラス分類（正常、漏出物、ドゥルゼン）を実行した。
• 6つの異なる公開網膜画像データセットで10-fold交差検証を実施し、評価の堅牢性を確保した。
• bag-of-wordsベースラインとして、異なる語彙数（W = 100〜500）を用いたk-meansクラスタリングによるコードブックを構築した。
• 標準指標（正解率、感度、特異度）を用いて性能を比較した。
• ネットワークの深さを複数の段階で変化させ、より深いネットワークがより優れた性能を示した。

実験結果

リサーチクエスチョン

• RQ1 事前学習済みCNNの深層特徴は、古典的bag-of-words手法を上回って網膜病変の分類に有効に機能するか？
• RQ2 ResNet、GoogLeNet、VGG-VD、VGGの中から、3クラス網膜画像分類において最高の分類精度を達成する事前学習済みCNNアーキテクチャはどれか？
• RQ3 BoVW手法における視覚語彙の数（W）が分類性能に与える影響は何か？
• RQ4 BoVW手法はドゥルゼンの分類では優れた性能を示すが、なぜ正常および漏出物画像の分類では困難になるのか？
• RQ5 CNNアーキテクチャの深さと、病変検出における感度および特異度の向上の相関関係は何か？

主な発見

• 深層特徴手法は、全クラス平均92.00%の精度を達成し、bag-of-words手法の77.76%を顕著に上回った。
• GoogLeNetは、全テストCNNモデルの中で最高の平均精度（92.00%）と、漏出物の感度（70.36%）を達成した。
• bag-of-words手法は、正常の分類で最大79.79%、漏出物の分類で最大80.05%の精度を達成したが、深層特徴手法に比べてこれらのクラスの感度と特異度が低かった。
• 深層特徴手法は、古典的手法の最先端技術に比べて13%以上の精度向上を示し、特に正常および漏出物病変の区別において顕著な優位性を示した。
• ResNetは、最小の精度ばらつき（91.23% ± 1.07）を示し、データセット間で最も安定した性能を発揮した。
• BoVW手法はW = 400でドゥルゼンの最高特異度（100%）を達成したが、全体の多クラス精度では深層特徴手法に劣った。