[論文レビュー] Comparative Performance Analysis of Transformer-Based Pre-Trained Models for Detecting Keratoconus Disease

Nayeem Ahmed, Md Maruf Rahman+4 more|arXiv (Cornell University)|Aug 16, 2024

Corneal surgery and disorders被引用数 5

ひとこと要約

本研究は、角膜円錐症を検出するために8つの事前学習済みCNNを比較し、MobileNetV2を最も正確なモデルとして特定する。InceptionV3とDenseNet121も高い性能を示す一方で、いくつかのモデルは境界例で苦戦する。

ABSTRACT

This study compares eight pre-trained CNNs for diagnosing keratoconus, a degenerative eye disease. A carefully selected dataset of keratoconus, normal, and suspicious cases was used. The models tested include DenseNet121, EfficientNetB0, InceptionResNetV2, InceptionV3, MobileNetV2, ResNet50, VGG16, and VGG19. To maximize model training, bad sample removal, resizing, rescaling, and augmentation were used. The models were trained with similar parameters, activation function, classification function, and optimizer to compare performance. To determine class separation effectiveness, each model was evaluated on accuracy, precision, recall, and F1-score. MobileNetV2 was the best accurate model in identifying keratoconus and normal cases with few misclassifications. InceptionV3 and DenseNet121 both performed well in keratoconus detection, but they had trouble with questionable cases. In contrast, EfficientNetB0, ResNet50, and VGG19 had more difficulty distinguishing dubious cases from regular ones, indicating the need for model refining and development. A detailed comparison of state-of-the-art CNN architectures for automated keratoconus identification reveals each model's benefits and weaknesses. This study shows that advanced deep learning models can enhance keratoconus diagnosis and treatment planning. Future research should explore hybrid models and integrate clinical parameters to improve diagnostic accuracy and robustness in real-world clinical applications, paving the way for more effective AI-driven ophthalmology tools.

研究の動機と目的

• 深層学習を用いた角膜円錐症自動診断の動機づけと、厳選されたデータセット上で複数の事前学習済みCNNアーキテクチャを評価する。
• 標準化された訓練設定を用いて、各モデルが角膜円錐症、正常、疑いケースをどれだけうまく区別できるかを評価する。
• 角膜円錐症識別の最新CNNの強みと弱点を特定し、今後のモデル開発の指針とする。

提案手法

• 角膜円錐症データセット（3クラス：角膜円錐症、正常、疑い）上で8つの事前学習CNNを評価する。
• 悪サンプルの除去、リサイズ、リスケーリング、拡張を含む、モデル間で一貫した訓練設定を適用する。
• 正確さ、適合率、再現率、F1スコアを用いて、クラス分離能力を比較評価する。

実験結果

リサーチクエスチョン

• RQ1 選択データセットで角膜円錐症検出に最も高い精度を示す事前学習CNNアーキテクチャはどれか。
• RQ2 不確定/疑いケースと明確な角膜円錴症または正常ケースとを比較して、異なるモデルはどのように性能を示すか。
• RQ3 自動角膜円錐症診断のための人気CNNバックボーンの相対的な長所と短所は何か。

主な発見

• MobileNetV2は角膜円錐症と正常ケースの同定において最も高い精度を達成し、誤分類が少ない。
• InceptionV3とDenseNet121は角膜円錐症検出には良好な性能を示すが、疑わしい/不確定ケースには困難を示す。
• EfficientNetB0、ResNet50、VGG19は、疑わしいケースを通常ケースと区別するのが難しく、改良の必要性を示している。
• 本研究は自動角膜円錐症識別のための最新CNNアーキテクチャの利点と弱点がさまざまであることを強調している。