[論文レビュー] Automatic lesion segmentation and Pathological Myopia classification in fundus images

Cefas Rodrigues Freire, Julio Cesar da Costa Moura+2 more|arXiv (Cornell University)|Feb 15, 2020

Retinal Imaging and Analysis参考文献 7被引用数 11

ひとこと要約

本論文は、XceptionおよびYOLOにインspiredしたアーキテクチャを用いたトランスファーラーニングを活用し、眼底画像における病的近視（PM）および網膜病変の自動検出・分類のためのディープラーニングフレームワークを提示する。すべてのタスクにおいて高い性能を達成しており、PM分類のAUC-ROCは0.9957、視optic盤および萎縮のセグメンテーションではF1スコアが0.90以上を記録し、PALMチャレンジデータセットにおいて優れた汎化性能を示している。

ABSTRACT

In this paper we present algorithms to diagnosis Pathological Myopia (PM) and detection of retinal structures and lesions such asOptic Disc (OD), Fovea, Atrophy and Detachment. All these tasks were performed in fundus imaging from PM patients and they are requirements to participate in the Pathologic Myopia Challenge (PALM). The challenge was organized as a half day Challenge, a Satellite Event of The IEEE International Symposium on Biomedical Imaging in Venice Italy.Our method applies different Deep Learning techniques for each task. Transfer learning is applied in all tasks using Xception as the baseline model. Also, some key ideas of YOLO architecture are used in the Optic Disc segmentation algorithm pipeline. We have evaluated our model's performance according the challenge rules in terms of AUC-ROC, F1-Score, Mean Dice Score and Mean Euclidean Distance. For initial activities our method has shown satisfactory results.

研究の動機と目的

• 眼底画像を用いた病的近視（PM）の自動診断を統合的に行うためのディープラーニングシステムの開発。
• 視optic盤、中心窪、萎縮、剥離といった重要な網膜構造の検出およびセグメンテーション。
• 病的近視チャレンジ（PALM）で定義されたPM分類および病変検出のマルチタスク課題への対応。
• 限られた医療画像データにおける性能向上を目的としたトランスファーラーニングおよびアーキテクチャの革新の活用。
• AUC-ROC、F1スコア、Diceスコア、およびユークリッド距離といったPALMチャレンジの評価指標において、最先端の結果を達成すること。

提案手法

• ImageNetで事前学習された重みを用い、PMおよび非PMの眼底画像に対して微調整されたバックボーンモデルとしてXceptionを用いたトランスファーラーニング。
• 視optic盤セグメンテーションには、極座標変換とデータ増強を施したYOLOにインスパイアされたオブジェクト検出パイプラインを採用。
• 中心窪の検出には、IDRiDデータセットからの中心座標を用いて学習したCNNモデルを用い、データ正規化と増強処理を実施。
• 萎縮および剥離のセグメンテーションには、バイナリおよびカテゴリカル交差エントロピー損失をそれぞれ適用した変更版DeepLabV3+モデルを採用。
• セグメンテーションタスクのアンサンブル推論：元の画像および水平反転画像からの予測を平均化し、argmaxを適用することで、耐性を向上。
• データ前処理には、299×299ピクセルへの中央クロッピング、[-1, 1]への正規化、および水平反転、回転、スケーリングの増強処理を適用。

実験結果

リサーチクエスチョン

• RQ1 Xceptionを用いたトランスファーラーニングは、眼底画像からの病的近視の分類において高い精度を達成できるか？
• RQ2 YOLOにインスパイアされたアーキテクチャは、網膜眼底画像における視optic盤の検出およびセグメンテーションを効果的に行えるか？
• RQ3 中心座標のアノテーションのみを用いて、深層学習モデルが中心窪をどれほど正確に局在化できるか？
• RQ4 限られたデータで学習されたセグメンテーションモデルは、萎縮および剥離病変において高いDiceスコアおよびF1スコアを達成できるか？
• RQ5 画像の反転を用いたアンサンブル推論は、PALMチャレンジの指標においてセグメンテーションの整合性および性能を向上させるか？

主な発見

• PM分類モデルはテストセットにおいてAUC-ROCが0.9957を達成し、PMと非PMのケースを優れた性能で区別していることが示された。
• 視optic盤セグメンテーションではF1スコアが0.9855、平均Diceスコアが0.9092を記録し、高い正確性と再現率を示した。
• 中心窪検出では平均ユークリッド距離が71.2958ピクセルであり、正解値との相対的な正確な局在化が可能であった。
• 萎縮セグメンテーションではF1スコアが0.9091、平均Diceスコアが0.7798を達成し、病変セグメンテーションにおいて強力な性能を示した。
• 剥離セグメンテーションではF1スコアが1.0000の完璧な値を記録したが、Diceスコアは0.5547と低く、アノテーションが疎らであるため重なりが小さいことを示唆している。
• 反転画像を用いたアンサンブル戦略により、すべての病変タイプにおいてセグメンテーションの一貫性および最終マスク品質が向上した。