[論文レビュー] Deep Learning for Automated Quality Assessment of Color Fundus Images in Diabetic Retinopathy Screening

Sajib Saha, Basura Fernando+3 more|arXiv (Cornell University)|Mar 7, 2017

Retinal Imaging and Analysis参考文献 17被引用数 12

ひとこと要約

本論文では、糖尿病網膜症スクリーニングにおける色眼底画像の自動品質評価のためのディープラーニングフレームワークを提案する。EyePACSデータセットから抽出された3,428枚のアノテート済み画像を用いてトレーニングされた畳み込みニューラルネットワークを採用し、画像を「受容可能」または「不適切」と分類する際、100％の正確性を達成した。これにより、撮影中の写真担当者に対してリアルタイムでのフィードバックが可能となり、診断に適した品質を保証できる。

ABSTRACT

Purpose To develop a computer based method for the automated assessment of image quality in the context of diabetic retinopathy (DR) to guide the photographer. Methods A deep learning framework was trained to grade the images automatically. A large representative set of 7000 color fundus images were used for the experiment which were obtained from the EyePACS that were made available by the California Healthcare Foundation. Three retinal image analysis experts were employed to categorize these images into Accept and Reject classes based on the precise definition of image quality in the context of DR. A deep learning framework was trained using 3428 images. Results A total of 3572 images were used for the evaluation of the proposed method. The method shows an accuracy of 100% to successfully categorise Accept and Reject images. Conclusion Image quality is an essential prerequisite for the grading of DR. In this paper we have proposed a deep learning based automated image quality assessment method in the context of DR. The method can be easily incorporated with the fundus image capturing system and thus can guide the photographer whether a recapture is necessary or not.

研究の動機と目的

• 糖尿病網膜症スクリーニングにおける色眼底画像の診断的品質を自動的に評価するシステムの開発。
• 人為的誤差や判断のばらつきを低減するため、手動評価を機械学習ソリューションに置き換える。
• 品質評価ツールを眼底画像撮影システムに直接統合し、画像取得中にリアルタイムフィードバックを提供する。
• 後続のDRグレーディングに使用する画像が、すべて診断に使える品質であることを保証し、スクリーニングの効率性と信頼性を向上させる。
• 7,000枚の眼底画像からなる大規模で代表的なデータセットを用いて、手法の妥当性を検証する。

提案手法

• 深層畳み込みニューラルネットワーク（CNN）を用いて、眼底画像を「受容可能（診断に使える）」と「不適切（品質の問題により使えない）」の2クラスに分類するようにトレーニングした。
• トレーニングデータセットは、EyePACSデータセットから抽出された合計7,000枚の眼底画像の中から選ばれた3,428枚の画像から構成された。
• 画像の品質は、焦点、照明、アーティファクトや遮蔽構造物の有無などの基準に基づき、専門家によるコンSENSUSに基づいて定義された。
• 汎化性能を評価するために、トレーニングに使用しなかった別個の3,572枚の画像セットを用いてモデルを評価した。
• 標準的なディープラーニング技術（データオーグメンテーション、交差エントロピー損失など）を用いてネットワークアーキテクチャを最適化した。
• 臨床現場での導入を想定し、画像撮影中に写真担当者にリアルタイムフィードバックを提供できるように設計された。

実験結果

リサーチクエスチョン

• RQ1 ディープラーニングモデルは、品質基準に基づいて眼底画像を診断に適したものか否かを正確に分類できるか？
• RQ2 本モデルは、実世界のスクリーニング環境から得られた多様で大規模な眼底画像セットに対して、どれほど一般化性能を示すか？
• RQ3 本モデルは、既存の眼底画像撮影ワークフローに統合可能であり、撮影中の写真担当者にリアルタイムフィードバックを提供できるか？
• RQ4 ディープラーニングを用いた画像品質評価は、専門家の判断と比較してどの程度の性能を達成できるか？
• RQ5 ぼやけ、照明の過不足、遮蔽物の有無といった異なる品質要因を持つ画像に対しても、本モデルは高い正確性を維持できるか？

主な発見

• テストセットとして使用された3,572枚の画像において、ディープラーニングモデルは「受容可能」と「不適切」の分類で100％の正確性を達成した。
• モデルは完璧な分類性能を示し、画像品質の変動に対して強く、良好な一般化性能を示した。
• 焦点が不明瞭な画像、露出が不適切（過剰または不足）な画像、レンズの反射などの遮蔽アーティファクトを効果的に特定した。
• 高い正確性は、本モデルが糖尿病網膜症スクリーニングにおける臨床的意思決定を信頼できる形で支援できることを示唆している。
• 必要に応じて即座に再撮影を促すため、眼底画像撮影システムにリアルタイムで導入可能である。
• 自動品質評価におけるディープラーニングの応用は、画像品質判断において人間の専門家と同等またはそれ以上の一貫性を達成できることを示している。