[論文レビュー] Identification and Visualization of the Underlying Independent Causes of the Diagnostic of Diabetic Retinopathy made by a Deep Learning Classifier

J de la Torre, Aı̈da Valls+2 more|arXiv (Cornell University)|Sep 23, 2018

Retinal Imaging and Analysis参考文献 1被引用数 3

ひとこと要約

本稿では、網膜症の分類に用いられる深層学習モデルが使用する数学的に独立した要因を特定・可視化する手法を提案する。最終層の特徴量に独立成分分析（ICA）を適用し、スコア可視化を用いることで、わずか3つの独立成分で人間水準に近い分類性能（元の指標の99％）を達成できることを示した。各成分は明確に異なる病変パターンを強調しており、ノイズやアーティファクトを除外しながら疾患の兆候を正確に局在化できる。

ABSTRACT

Interpretability is a key factor in the design of automatic classifiers for medical diagnosis. Deep learning models have been proven to be a very effective classification algorithm when trained in a supervised way with enough data. The main concern is the difficulty of inferring rationale interpretations from them. Different attempts have been done in last years in order to convert deep learning classifiers from high confidence statistical black box machines into self-explanatory models. In this paper we go forward into the generation of explanations by identifying the independent causes that use a deep learning model for classifying an image into a certain class. We use a combination of Independent Component Analysis with a Score Visualization technique. In this paper we study the medical problem of classifying an eye fundus image into 5 levels of Diabetic Retinopathy. We conclude that only 3 independent components are enough for the differentiation and correct classification between the 5 disease standard classes. We propose a method for visualizing them and detecting lesions from the generated visual maps.

研究の動機と目的

• 医療診断における深層学習モデルの解釈可能性の欠如に取り組むこと、特に眼底写真からの網膜症分類に関して。
• 訓練済みの深層学習分類器が診断意思決定に用いる、背後にある統計的独立なパターンを特定すること。
• 画像空間におけるこれらの独立要因を分離・局在化する可視化手法を開発し、臨床的解釈可能性を向上させること。
• 分類性能を維持するために必要な最小限の成分数を特定し、特徴空間の冗長性を低減すること。
• 本手法が網膜画像における真の病変とノイズ・アーティファクトをどれだけ正確に区別できるかを検証すること。

提案手法

• 17層の深層ニューラルネットワークを用いて網膜症分類に特化して訓練した後、最終全結合層の特徴表現に独立成分分析（ICA）を適用する。
• ICAを用いて元の64次元の特徴空間を、分類能力を保持する最小限の統計的に独立した成分に圧縮する。
• ピクセル単位の関連度伝搬技術を改変し、各ICA成分が最終分類意思決定に与える寄与度を可視化する。
• 可視化手法は、ネットワークを逆方向に伝搬させながら関連度をバックプロパゲートし、個々のICA成分に焦点を当てて病変関連パターンの局在化を図る。
• 局所的関連度スコアを計算するために、61×61ピクセルの受容野を用い、顕著な寄与度を強調するため、±2標準偏差のしきい値を設定する。
• 元の特徴空間とICA圧縮特徴空間の間で分類性能（二次加重ケッペル係数）とt-SNE可視化を比較することで、手法の妥当性を検証する。

実験結果

リサーチクエスチョン

• RQ1 網膜症分類のための深層学習モデルの分類性能を維持するために、最小で何個の独立成分が必要か？
• RQ2 特徴空間内のどの統計的規則性がノイズやアーティファクトではなく、臨床的に関連する病変パターンに対応しているか？
• RQ3 独立成分分析が、深層学習モデルの分類意思決定の背後にある要因を効果的に分離できるか？
• RQ4 提案手法による可視化は、モデルの予測と比較して、実際に存在する網膜病変をどの程度正確に局在化できるか？
• RQ5 ICA圧縮特徴空間は、冗長性を低減しつつ、元のモデルの診断能力をどの程度保持しているか？

主な発見

• わずか3つの独立成分で、元のモデルの99％の性能を達成でき、二次加重ケッペル係数（QWK）でκ_original = 0.800、κ_ICA = 0.790を達成した。
• ICA圧縮特徴空間は、元の特徴空間と同等のt-SNE可視化品質を維持しており、データ内の構造的関係が保持されていることを示している。
• ICA成分2は、実際の網膜病変とほぼ完全に一致しており、スコアマップにおいて極めて低い偽陽性および偽陰性率を示した。
• ICA成分0および1は、ノイズやアーティファクトなど病変とは関係のない統計的規則性を捉えており、ICAが非病変パターンを効果的にフィルタリングできることを示している。
• ピクセル単位のスコア可視化手法により、明確に数学的に独立した疾患指標が局在化され、解釈可能な病変検出が可能になった。
• 本手法は一般化性に優れており、網膜症以外の医療画像分類タスクに対しても同様に適用可能である。