[論文レビュー] DFUNet: Convolutional Neural Networks for Diabetic Foot Ulcer Classification

Manu S. Goyal, Neil D. Reeves+4 more|arXiv (Cornell University)|Nov 28, 2017

Diabetic Foot Ulcer Assessment and Management被引用数 4

ひとこと要約

本稿では、足の画像における糖尿病性足部潰瘍（DFU）分類のための軽量畳み込みニューラルネットワーク、DFUNetを提案する。特大のフィルターサイズを用いた独自のアーキテクチャを活用することで特徴抽出を強化し、10-fold交差検証を用いてAUC 0.961を達成した。これは、従来の機械学習手法やGoogLeNetやAlexNetといった既存のCNNモデルを上回る感度と正確性を実現した。

ABSTRACT

Globally, in 2016, one out of eleven adults suffered from Diabetes Mellitus. Diabetic Foot Ulcers (DFU) are a major complication of this disease, which if not managed properly can lead to amputation. Current clinical approaches to DFU treatment rely on patient and clinician vigilance, which has significant limitations such as the high cost involved in the diagnosis, treatment and lengthy care of the DFU. We collected an extensive dataset of foot images, which contain DFU from different patients. In this paper, we have proposed the use of traditional computer vision features for detecting foot ulcers among diabetic patients, which represent a cost-effective, remote and convenient healthcare solution. Furthermore, we used Convolutional Neural Networks (CNNs) for the first time in DFU classification. We have proposed a novel convolutional neural network architecture, DFUNet, with better feature extraction to identify the feature differences between healthy skin and the DFU. Using 10-fold cross-validation, DFUNet achieved an AUC score of 0.962. This outperformed both the machine learning and deep learning classifiers we have tested. Here we present the development of a novel and highly sensitive DFUNet for objectively detecting the presence of DFUs. This novel approach has the potential to deliver a paradigm shift in diabetic foot care.

研究の動機と目的

• コンピュータビジョンを用いて、糖尿病性足部潰瘍（DFU）の早期検出のための自動的で費用対効果に優れ、遠隔で利用可能なソリューションの開発。
• 高コスト、専門医の依存、診断の遅延といった、現在の臨床的手法の限界を解消すること。
• 多様な画像条件下でも、DFUと健常皮膚を区別できるように最適化された、新規の深層学習アーキテクチャ、DFUNetの設計。
• 移動端末で撮影された画像や顔面皮膚パッチを含む多様なデータセットにおけるDFUNetの頑健性の評価。
• 将来的な応用、例えば自動的潰瘍セグメンテーション、多クラス病変分類、モバイルヘルスツールの基盤を構築すること。

提案手法

• DFUと健常皮膚の分類を向上させるために、より大きなフィルターサイズを用いた、深く広い並列畳み込み層を備えた新規CNNアーキテクチャ、DFUNetを提案。
• 標準化された条件下でDSLRカメラで収集された、専門家がアノテートした大規模な足の画像データセットを用いて、DFUNetを訓練および評価。
• 頑健な性能推定と過学習の低減を図るため、10-fold交差検証を採用。
• 実世界の状況を模倣するため、FootSnapアプリケーションを介してiPadカメラで撮影された画像を用いて一般化性能をテスト。
• 頑健性の評価をさらに拡張し、3クラスの顔面皮膚パッチデータセット（正常、色素斑、しわ）を用いて、DFU分類を超えた分類タスクへの汎用性を検証。
• 標準指標（AUC、感度、特異度、適合率、F-measure、MCC）を用いて、DFUNetを既存のモデル（GoogLeNet、AlexNet）および従来の機械学習手法と比較。

実験結果

リサーチクエスチョン

• RQ1 独自に設計されたCNNアーキテクチャは、臨床画像におけるDFUと健常皮膚の分類において、既存の深層学習モデルを上回ることができるか？
• RQ2 スマートフォンなど異なるデバイスで撮影された多様な画像データセットにおいて、DFUNetは標準的なDSLR画像と比較してどの程度の性能を示すか？
• RQ3 DFUNetは、正常皮膚、色素斑、しわの区別といった、他の皮膚病変分類タスクへどの程度一般化できるか？
• RQ4 特に大きなフィルターサイズと層数の削減といった、アーキテクチャ設計の選択が、分類性能および推論速度に与える影響はいかほどか？
• RQ5 リソースが限られた環境でも、DFUNetは高い感度と特異度を達成でき、遠隔でスケーラブルなDFUスクリーニングを可能にするか？

主な発見

• 10-fold交差検証を用いた主なデータセットにおいて、DFUNetはAUC 0.961を達成し、従来の機械学習手法および深層学習ベースラインを著しく上回った。
• iPadカメラで撮影された多様なテストセットでは、DFUNetは感度0.929、特異度0.908、適合率0.942、F-measure 0.931、AUC 0.950を達成した。
• 3クラスの顔面皮膚分類タスクにおいて、DFUNetはGoogLeNetを上回り、感度0.867（対比0.783）、特異度0.930（対比0.882）、F-measure 0.867（対比0.784）を達成した。
• 照明条件やデバイスの種類の変化に対しても高い頑健性を示し、優れた一般化可能性を示した。
• 層数を減らし、軽量な設計であるにもかかわらず、GoogLeNet や AlexNet といったより深いモデルよりも高い感度と特異度を達成した。
• 誤分類の多くは、小さな潰瘍や赤みが強い領域、しわがある領域で発生しており、今後のアーキテクチャの最適化の余地があることが示された。