[論文レビュー] Classification of Diabetic Retinopathy Severity in Fundus Images with DenseNet121 and ResNet50

Jonathan Zhang, Bowen Xie+3 more|arXiv (Cornell University)|Aug 19, 2021

Retinal Imaging and Analysis参考文献 2被引用数 4

ひとこと要約

本研究では、RGB、緑フィルター処理済み、ハイコントラスト画像バリエーションを用いた眼底画像を用いて、DenseNet121とResNet50の糖尿病性網膜症（DR）重症度分類性能を評価した。RGB画像におけるDenseNet121で最大85%の検証精度と最小0.17の検証損失を達成し、モデルアーキテクチャと画像前処理がDR分類性能に顕著な影響を及ぼすことが示された。

ABSTRACT

In this work, deep learning algorithms are used to classify fundus images in terms of diabetic retinopathy severity. Six different combinations of two model architectures, the Dense Convolutional Network-121 and the Residual Neural Network-50 and three image types, RGB, Green, and High Contrast, were tested to find the highest performing combination. We achieved an average validation loss of 0.17 and a max validation accuracy of 85 percent. By testing out multiple combinations, certain combinations of parameters performed better than others, though minimal variance was found overall. Green filtration was shown to perform the poorest, while amplified contrast appeared to have a negligible effect in comparison to RGB analysis. ResNet50 proved to be less of a robust model as opposed to DenseNet121.

研究の動機と目的

• 人間の評価者不足に対処するため、眼底画像における糖尿病性網膜症（DR）重症度の自動分類を目的とした深層学習モデルの開発。
• 異なる画像前処理バリエーションにおける2つの深層学習アーキテクチャ（DenseNet121とResNet50）の性能を評価すること。
• DR重症度分類において、最適なモデルアーキテクチャと画像タイプ（RGB、緑フィルター、ハイコントラスト）の組み合わせを特定すること。
• 緑フィルター処理やヒストグラム等化などの画像前処理技術がモデル性能に与える影響を評価すること。
• トランスファー学習と畳み込みニューラルネットワークを用いた、スケーラブルで高精度なDRスクリーニングツールの基盤を提供すること。

提案手法

• KaggleのAPTOSデータセットから得た3,662枚の眼底画像を、244×244ピクセルにリサイズし、3種類の画像タイプ（オリジナルRGB、赤・青チャンネルをゼロ化した緑のみフィルター、ヒストグラム等化されたRGBチャンネル）に前処理した。
• ImageNetの重みを用いたトランスファー学習により、上部分類層を除いてDenseNet121とResNet50の2つの深層学習モデルを訓練した。
• マルチクラスDR重症度分類（0～4）のため、グローバル平均プーリング層、ドロップアウト（0.5）、5クラスのソフトマックス出力層を含む順序モデルを構築した。
• Adam最適化手法を用い、初期学習率（0.0001）を低く設定し、バイナリクロスエントロピー損失関数と精度を指標として最適化した。
• 一般化性能を向上させるために、KerasのImageDataGeneratorを用いてランダムズーム、水平および垂直フリップ、定数パディングによるデータオーグメンテーションを適用した。
• データを80%のトレーニングデータと20%のテストデータに分割し、15エポックにわたって検証損失と精度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 モデルアーキテクチャ（DenseNet121対ResNet50）と画像前処理（RGB、緑フィルター、ハイコントラスト）のどの組み合わせがDR重症度分類において最高の検証精度を達成するか？
• RQ2 眼底画像の緑フィルター処理が、深層学習モデルによる糖尿病性網膜症の検出性能にどのように影響を与えるか？
• RQ3 ヒストグラム等化によるコントラスト強化は、標準RGB画像と比較して分類性能を顕著に向上させるか？
• RQ4 DenseNet121とResNet50の検証損失と精度は、異なる画像前処理戦略においてどのように比較されるか？
• RQ5 限られたトレーニングデータ下で、モデルアーキテクチャがDR分類におけるロバスト性と一般化性能にどの程度影響を与えるか？

主な発見

• DenseNet121とRGB画像の組み合わせが、平均検証損失0.17を達成し、最良の最適化安定性を示した。
• ResNet50 + RGBが、85%の最大検証精度を記録し、他の組み合わせよりも分類性能が優れていた。
• 緑フィルター処理済み画像は、すべてのモデルで最も低い性能を示し、色チャンネルの削減が重要な診断的特徴を損なう可能性があることを示唆した。
• ハイコントラスト画像は、標準RGB画像と比較して性能向上がほとんど認められず、ヒストグラム等化がモデル性能を顕著に向上させないことを示した。
• DenseNet121は、RGB、緑フィルター、ハイコントラストのすべての画像タイプにおいて、より高いロバスト性を示し、より低い損失と一貫性のある性能を達成した。
• ほとんどの設定で高い精度を達成したが、全体的な性能のばらつきは最小限に抑えられ、現在のデータ制約下ではモデル選択と前処理の影響が限定的であることが示された。