[論文レビュー] Early Detection of Retinopathy of Prematurity (ROP) in Retinal Fundus Images Via Convolutional Neural Networks

Xin Guo, Yusuke Kikuchi+4 more|arXiv (Cornell University)|Jun 12, 2020

Retinopathy of Prematurity Studies参考文献 12被引用数 5

ひとこと要約

本研究では、網膜後方隅画像における早期内障の早期発見を可能にするため、畳み込みニューラルネットワーク（CNN）を用いたディープラーニングフレームワークを提案する。不均衡なデータセット上でより深い残差ネットワーク（ROPResCNN）を活用することで、感度100%、特異度96%、正確度96%、正解率98%を達成し、人間の専門家を上回り、感度関連の診断誤差を完全に排除した。

ABSTRACT

Retinopathy of prematurity (ROP) is an abnormal blood vessel development in the retina of a prematurely-born infant or an infant with low birth weight. ROP is one of the leading causes for infant blindness globally. Early detection of ROP is critical to slow down and avert the progression to vision impairment caused by ROP. Yet there is limited awareness of ROP even among medical professionals. Consequently, dataset for ROP is limited if ever available, and is in general extremely imbalanced in terms of the ratio between negative images and positive ones. In this study, we formulate the problem of detecting ROP in retinal fundus images in an optimization framework, and apply state-of-art convolutional neural network techniques to solve this problem. Experimental results based on our models achieve 100 percent sensitivity, 96 percent specificity, 98 percent accuracy, and 96 percent precision. In addition, our study shows that as the network gets deeper, more significant features can be extracted for better understanding of ROP.

研究の動機と目的

• 乳児の失明を防ぐために、早期ROP検出の重要性に対応する。
• 限られた、不均衡なROPデータセットの課題と専門家の不足に対処する。
• 網膜後方隅画像におけるROP診断において、高い感度と特異度を達成するディープラーニングモデルを開発する。
• 人為的誤差、特に最も重要な診断指標である感度の観点から、自動的で信頼性の高いROPスクリーニングを実現する。
• より深いネットワークが、小さな不均衡データセットからでも臨床的に意味のある特徴を学習できることを示す。

提案手法

• 初期モデル開発のため、浅いCNN（ROPBaseCNN）を用いてROP検出を最適化問題として定式化する。
• 単一のデータソース（Data_0）と複数のデータソース（Data_1）から網膜後方隅画像を収集・拡張し、脱識別化と倫理的承認を確保する。
• 消失／爆発勾配問題の緩和と過学習の低減を目的に、より深い残差ネットワーク（ROPResCNN）を設計する。
• 完全結合層の代わりにグローバル平均プーリングを採用し、一般化性能の向上と過学習の低減を図る。
• バッチ正規化、ReLU活性化関数、データ拡張を用いた標準的なディープラーニングトレーニングプロトコルを採用し、耐性を高める。
• 保持されたテストセットを用いて、標準指標（正確度、感度、特異度、正解率、F1スコア）でモデルを評価する。

実験結果

リサーチクエスチョン

• RQ1 限られた、不均衡なデータセットであるにもかかわらず、ディープラーニングモデルが網膜後方隅画像からROPを高感度・高特異度で検出できるか？
• RQ2 モデルの深さ（ROPBaseCNN 対 ROPResCNN）が、ROP検出における性能と特徴学習に与える影響は何か？
• RQ3 モデルは臨床的に重要なROPの指標（静脈・非静脈領域境界の厚くなった隆起）を学習し、捉えることができるか？
• RQ4 経験豊富な眼科医と比較して、モデルはどの程度診断誤差を低減できるか？
• RQ5 複数のデータソースを用いることで、単一のデータソースに比べてモデルの耐性と一般化性能が向上するか？

主な発見

• ROPResCNNベースのモデルは、組み合わせたData_0およびData_1データセットで、感度100%、特異度96%、正確度96%、正解率98%を達成した。
• 経験豊富な眼科医を大きく上回り、全体的な診断誤差を66%以上削減した。
• 感度関連の誤差を完全に排除した—これは、見過ごされたROP症例を防ぐ上で極めて重要である。
• ROPResCNNは、臨床的に知られているROPの指標である、静脈領域と非静脈領域の境界における厚くなった隆起を正しく学習し、強調した。
• 浅いモデル（ROPBaseCNN）と比較して、より深いネットワーク（ROPResCNN）はより顕著な特徴を抽出し、診断理解を向上させた。
• データの不均衡と規模の制限にもかかわらず、複数のデータソースにわたり良好な一般化を示し、耐性と臨床的潜在能力を示した。