[論文レビュー] Eye Disease Classification Using Deep Learning Techniques

Tareq Babaqi, Manar Jaradat+3 more|arXiv (Cornell University)|Jul 19, 2023

Retinal Imaging and Analysis被引用数 19

ひとこと要約

本論文は EfficientNet を用いた転移学習と CNN を比較し、多クラスの眼疾患分類（normal, cataract, diabetic retinopathy, glaucoma）を行い、転移学習で 94% の精度、CNN で 84% という結果を示す。

ABSTRACT

Eye is the essential sense organ for vision function. Due to the fact that certain eye disorders might result in vision loss, it is essential to diagnose and treat eye diseases early on. By identifying common eye illnesses and performing an eye check, eye care providers can safeguard patients against vision loss or blindness. Convolutional neural networks (CNN) and transfer learning were employed in this study to discriminate between a normal eye and one with diabetic retinopathy, cataract, or glaucoma disease. Using transfer learning for multi-class classification, high accuracy was achieved at 94% while the traditional CNN achieved 84% rate.

研究の動機と目的

• 視力喪失リスクと眼科医アクセスの制約を踏まえ、眼疾患の早期検出の重要性を動機づける。
• 転移学習がCNNを用いた眼疾患分類を改善するかを調査する。
• 標準的な指標を用いて、4クラス（normal, cataract, diabetic retinopathy, glaucoma）のデータセットで性能を評価する。
• 眼疾患分類のための転移学習に事前学習済みモデルとして EfficientNet を利用する。

提案手法

• EfficientNet の事前学習済みアーキテクチャを用いた CNN と転移学習を使用する。
• 画像を 512x512x3 から 224x224x3 にリスケールして一般化を改善する。
• データを訓練70%、テスト20%、検証10%に分割する。
• precision、recall、F1-score、Accuracy で評価する。
• 正解率/損失のプロットと混同行列により学習挙動を比較する。

実験結果

リサーチクエスチョン

• RQ1 転移学習は多クラス眼疾患分類における CNN の精度を向上させるか？
• RQ2 normal、cataract、diabetic retinopathy、glaucoma の各クラスで、CNN と転移学習の性能差はどのようになるか？
• RQ3 EfficientNet ベースの転移学習はカラー眼底画像からの自動眼疾患スクリーニングに対して有効か？

主な発見

モデル	クラス	精度（％）	再現率（％）	F1スコア（％）	正確さ（％）
CNN	cataract	87	96	91	84
CNN	Diabetic retinopathy	100	100	100
CNN	Glaucoma	67	85	75
CNN	Normal	86	56	68
Transfer Learning	cataract	97	96	96	94
Transfer Learning	Diabetic retinopathy	100	99	99
Transfer Learning	Glaucoma	94	85	89
Transfer Learning	Normal	86	96	91

• 転移学習は CNN (84%) より高い精度 (94%) を達成した。
• Diabetic retinopathy は両手法で非常に高い性能を示す（CNN: 100% precision/recall/F1; TL: 100% precision, 99% recall, 99% F1）。
• Normal クラス、TL は 86% precision, 96% recall, 91% F1、CNN は 86% precision, 56% recall, 68% F1。
• Cataract クラス：TL (97% precision, 96% recall, 96% F1); CNN (87% precision, 96% recall, 91% F1)。
• Glaucoma クラス：TL (94% precision, 85% recall, 89% F1); CNN (67% precision, 85% recall, 75% F1)。
• 転移学習は学習の精度/損失の曲線を滑らかにし、混同行列の改善がCNNよりも明確であった。