[論文レビュー] Classification of Diabetic Retinopathy via Fundus Photography: Utilization of Deep Learning Approaches to Speed up Disease Detection

Hangwei Zhuang, Nabil Ettehadi|arXiv (Cornell University)|Jul 18, 2020

Retinal Imaging and Analysis参考文献 22被引用数 8

ひとこと要約

本稿では、網膜症の分類のための2つのディープラーニング手法を提案している。1つは浅いニューラルネットワークであり、もう1つは事前学習済みの深層ネットワークを用いた転移学習ベースの手法である。転移学習手法は、頻度が低い網膜症の分類において、浅いネットワークを著しく上回り、より優れた汎化性能と希少な疾患ステージの分類精度を示した。

ABSTRACT

In this paper, we propose two distinct solutions to the problem of Diabetic Retinopathy (DR) classification. In the first approach, we introduce a shallow neural network architecture. This model performs well on classification of the most frequent classes while fails at classifying the less frequent ones. In the second approach, we use transfer learning to re-train the last modified layer of a very deep neural network to improve the generalization ability of the model to the less frequent classes. Our results demonstrate superior abilities of transfer learning in DR classification of less frequent classes compared to the shallow neural network.

研究の動機と目的

• 臨床現場における網膜症の検出が遅く、一貫性に欠けるという課題に対処すること。
• 頻度が低い網膜症ステージの分類精度を向上させること。
• 浅いニューラルネットワークと転移学習の両者を、網膜画像解析において効果的に比較すること。
• 事前学習済みの深層ネットワークを用いて、希少な網膜症クラスのモデルの汎化性能を向上させること。
• 自動化されたディープラーニングベースの分類により、疾患検出を迅速化すること。

提案手法

• 一般的な網膜症ステージの分類を目的とした、層とパラメータ数が少ない浅いニューラルネットワークを設計した。
• 事前学習済みの深層ニューラルネットワークの最終全結合層を微調整することで、転移学習を適用した。
• 大規模な画像データから学習された特徴を活用するため、ImageNetの重みでモデルを初期化した。
• 特に代表が不足しているクラスにおいても、モデルのロバスト性と汎化性能を向上させるために、データ拡張技術を用いた。
• 複数の網膜症重症度レベルを含む公開の網膜画像データセットを用いて、モデルを訓練および評価した。
• 全クラスにわたる標準指標（正確度、適合率、再現率、F1スコア）を用いて、モデルの性能を測定した。

実験結果

リサーチクエスチョン

• RQ1 浅いニューラルネットワークは、網膜画像からの網膜症ステージ分類において、どの程度の性能を示すか？
• RQ2 カスタムの浅いネットワークと比較して、転移学習は頻度が低い網膜症クラスの分類性能を向上させられるか？
• RQ3 事前学習済みの深層ネットワークの最終層を微調整することで、希少な網膜症ステージにおける汎化性能が向上するか？
• RQ4 網膜症分類において、転移学習と浅いアーキテクチャの間で、正確度とロバスト性にどのような差が生じるか？
• RQ5 ディープラーニングモデルは、網膜症スクリーニングにおける検出に要する時間を著しく短縮できるか？

主な発見

• 浅いニューラルネットワークは、一般的な網膜症クラスでは高い正確度を達成したが、希少なクラスでは著しく性能が低かった。
• 転移学習は、浅いネットワークと比較して、頻度が低い網膜症ステージの分類性能を著しく向上させた。
• 事前学習済みの深層ネットワークの最終層を微調整することで、全クラスにわたるモデルの汎化性能とロバスト性が向上した。
• 転移学習手法は、しばしば検出が不足する軽度および中等度の網膜症ステージにおいて、優れたF1スコアと再現率を示した。
• 結果から、網膜症分類において、転移学習は初期から訓練する浅いネットワークよりも効果的であることが確認された。
• 本研究は、大規模データセットから事前学習された特徴を活用することで、網膜症スクリーニングにおける検出速度と正確度が向上することを検証した。