[論文レビュー] Deep Learning on Retina Images as Screening Tool for Diagnostic Decision Support

Maria Camila Alvarez Trivino, Jeremie Despraz+2 more|arXiv (Cornell University)|Jul 24, 2018

Retinal Imaging and Analysis被引用数 6

ひとこと要約

本研究では、EyePACSデータセットから得られた前処理済み画像を活用して、網膜画像からの糖尿病性網膜症の検出を目的とした深層学習システムを、畳み込みニューラルネットワーク（CNN）を用いて開発した。モデルはテストデータにおいて医師の診断と76.73％の一致率を達成し、診断意思決定支援のスクリーニングツールとしての可能性を示した。

ABSTRACT

In this project, we developed a deep learning system applied to human retina images for medical diagnostic decision support. The retina images were provided by EyePACS. These images were used in the framework of a Kaggle contest, whose purpose to identify diabetic retinopathy signs through an automatic detection system. Using as inspiration one of the solutions proposed in the contest, we implemented a model that successfully detects diabetic retinopathy from retina images. After a carefully designed preprocessing, the images were used as input to a deep convolutional neural network (CNN). The CNN performed a feature extraction process followed by a classification stage, which allowed the system to differentiate between healthy and ill patients using five categories. Our model was able to identify diabetic retinopathy in the patients with an agreement rate of 76.73% with respect to the medical expert's labels for the test data.

研究の動機と目的

• 網膜画像における糖尿病性網膜症の自動検出を目的とした深層学習ベースのシステムの開発。
• 診断意思決定支援の文脈において、CNNモデルの網膜画像における性能評価。
• AIを活用した早期糖尿病性網膜症スクリーニングのアクセス性の向上。
• トランスファーラーニングアプローチを用いて、医師のラベルと高い一致率を達成すること。

提案手法

• モデルは、前処理済み網膜画像からの特徴抽出に深層畳み込みニューラルネットワーク（CNN）を用いる。
• 画像はEyePACSデータセットから収集され、糖尿病性網膜症検出のためのKaggleコンペティションの文脈で使用された。
• CNNへの入力前に、画像品質と一貫性を向上させるために、きめ細やかな前処理パイプラインが設計された。
• CNNは、網膜症なし、軽度、中等度、重度、増殖性網膜症の5つのカテゴリーに分類する。
• システムは、医師がラベルを付与したテストセットを用いて訓練および評価された。
• モデルの性能は、医師がアノテートしたラベルとの一致率によって測定された。

実験結果

リサーチクエスチョン

• RQ1 深層学習モデルは、網膜画像からの糖尿病性網膜症の検出において、医師と高い一致率を達成できるか？
• RQ2 CNNベースのアプローチは、スクリーニング画像からの糖尿病性網膜症の複数段階の分類にどの程度効果的か？
• RQ3 前処理は、網膜画像スクリーニングにおける深層学習システムの性能をどの程度向上させられるか？
• RQ4 トランスファーラーニングを模倣したモデルは、臨床的意思決定支援における信頼できるスクリーニングツールとして機能できるか？

主な発見

• 深層学習モデルは、テストセットにおいて医師のラベルと76.73％の一致率を達成し、強力な診断の一貫性を示した。
• システムは、疾患なしから増殖性網膜症までの5段階の糖尿病性網膜症を効果的に区別できた。
• 前処理は、画像品質の向上とモデルの一般化性能の向上において、極めて重要な役割を果たした。
• 公開済みの網膜画像を用いた場合、本モデルは糖尿病性網膜症スクリーニングツールとしての実現可能性を示した。