[論文レビュー] Improved Microaneurysm Detection using Deep Neural Networks

Mrinal Haloi|arXiv (Cornell University)|May 17, 2015

Retinal Imaging and Analysis参考文献 15被引用数 98

ひとこと要約

本論文は、ドロップアウトとマックスアウト活性化関数を備えた深層ニューラルネットワークを用いた、前処理や手作業による特徴工学を不要とする、エンドツーエンドのピクセル単位の微小動脈瘤（MA）検出手法を提案する。ROCおよびDiaretdb1v2データセットにおいて、97%の感受性と95%の特異性を達成し、初期糖尿病網膜症スクリーニングにおける誤検出を顕著に低減する、最先端の性能を発揮する。

ABSTRACT

In this work, we propose a novel microaneurysm (MA) detection for early diabetic retinopathy screening using color fundus images. Since MA usually the first lesions to appear as an indicator of diabetic retinopathy, accurate detection of MA is necessary for treatment. Each pixel of the image is classified as either MA or non-MA using a deep neural network with dropout training procedure using maxout activation function. No preprocessing step or manual feature extraction is required. Substantial improvements over standard MA detection method based on the pipeline of preprocessing, feature extraction, classification followed by post processing is achieved. The presented method is evaluated in publicly available Retinopathy Online Challenge (ROC) and Diaretdb1v2 database and achieved state-of-the-art accuracy.

研究の動機と目的

• 初期糖尿病網膜症スクリーニングのための自動的で正確かつ頑健な微小動脈瘤検出システムの開発。
• 前処理、特徴抽出、後処理を含む従来のパイプラインの限界を克服すること。
• 照明の変化、コントラストの変動、血管アーチファクトなどの困難な条件下での検出性能の向上。
• 現実の網膜画像において、最小限の誤検出で高い感受性と特異性を達成すること。
• 血管構造、視神経乳頭、黄斑部の検出に依存しないピクセル単位分類アプローチにより、それらの検出を不要とする。

提案手法

• 129×129のRGBウィンドウをピクセル中心に設定し、5層の隠れ層とソフトマックス出力層を備えた深層ニューラルネットワーク（DNN）を用いて、各ピクセルを微小動脈瘤または非微小動脈瘤に分類するように学習する。
• 隣接ピクセルの影響を低減するために、焦点化（フォーカシオン）と非一様サンプリングを適用し、孤立した微小動脈瘤の検出を向上させる。
• 一般化性能の向上と過学習の低減を図るため、ドロップアウト正則化とマックスアウト活性化関数を用いる。
• 各画像に対して、各ピクセルがMAである確率を割り当てる確率マップを生成する。
• 後処理として、凸性と面積の閾値（面積 ≤ 21 かつ 凸性 ≥ 0.8）を適用し、血管、分岐部、出血巣に起因する誤検出をフィルタリングする。
• 画像の境界処理には水平ミラーを用いて、完全なウィンドウ特徴を抽出する。

実験結果

リサーチクエスチョン

• RQ1 前処理や手作業による特徴量の使用に依存せずに、深層学習モデルが優れた微小動脈瘤検出精度を達成できるか？
• RQ2 照明やコントラストの変動下でも、本手法は微小動脈瘤をどの程度正確に検出できるか？
• RQ3 フォーカシオンと非一様サンプリングの使用が、孤立した微小動脈瘤の検出にどの程度向上効果をもたらすか？
• RQ4 感受性、特異性、誤検出率という観点から、既存の最先端手法と比較して本手法はどのように性能を発揮するか？
• RQ5 ROC、Diaretdb1v2、Messidorといった多様なデータセットに、本モデルはどの程度一般化できるか？

主な発見

• 本手法は、網膜症オンラインチャレンジ（ROC）データセットにおいて97%の感受性と95%の特異性を達成し、既存手法を上回った。
• Diaretdb1v2データセットでは、受信者操作特性曲線下の面積（AUC）が0.988に達し、最先端の性能を示した。
• 感受性対平均誤検出ピクセル数のプロットから、他のシステムと比較して顕著に低い誤検出率を示した。
• Messidorデータセットでは、R0対R1のシナリオで95.4%の正確性、97%の感受性、94%の特異性を達成した。
• MessidorのNo DR対DRシナリオでは、96%の正確性、97%の感受性、96%の特異性を達成した。
• テストラベルが不足していたROCデータセットのサブセットでは、AUCが0.98を達成し、人間の専門家（AUC 0.96）および他の自動システムを上回った。