[論文レビュー] Lesion detection and Grading of Diabetic Retinopathy via Two-stages Deep Convolutional Neural Networks

Yehui Yang, Tao Li+4 more|arXiv (Cornell University)|May 1, 2017

Retinal Imaging and AnalysisMedicine被引用数 22

ひとこと要約

本稿では、病変検出と重症度評価を統合する、自動化された糖尿病網膜症（DR）解析のための2段階型深層畳み込みニューラルネットワーク（DCNN）を提案する。局所ネットワークを用いて病変の局所化を行い、不均衡な重みマップを備えたグローバルネットワークで病変が多い領域を優先することで、エンドツーエンドモデルに比べてDRの重症度評価の精度が顕著に向上する。

ABSTRACT

We propose an automatic diabetic retinopathy (DR) analysis algorithm based on two-stages deep convolutional neural networks (DCNN). Compared to existing DCNN-based DR detection methods, the proposed algorithm have the following advantages: (1) Our method can point out the location and type of lesions in the fundus images, as well as giving the severity grades of DR. Moreover, since retina lesions and DR severity appear with different scales in fundus images, the integration of both local and global networks learn more complete and specific features for DR analysis. (2) By introducing imbalanced weighting map, more attentions will be given to lesion patches for DR grading, which significantly improve the performance of the proposed algorithm. In this study, we label 12,206 lesion patches and re-annotate the DR grades of 23,595 fundus images from Kaggle competition dataset. Under the guidance of clinical ophthalmologists, the experimental results show that our local lesion detection net achieve comparable performance with trained human observers, and the proposed imbalanced weighted scheme also be proved to significantly improve the capability of our DCNN-based DR grading algorithm.

研究の動機と目的

• 既存のエンドツーエンドディープラーニングモデルの限界を克服し、スクリーニング画像における網膜病変の検出とDR重症度の自動評価を実現するシステムの開発を目的とする。
• 微小動脈瘤などの小規模で目立たない病変がエンドツーエンドDCNNで見過ごされがちな課題を解決するため、2段階型アーキテクチャを導入することを目的とする。
• トレーニング段階で病変密度の高い領域に重点を置く不均衡な重みマップを適用することで、DR重症度評価の性能を向上させることを目的とする。
• 病変タイプ（例：微小動脈瘤、出血、漏出）の局所化とNPDRの重症度評価（0〜3）の割り当てを通じて、臨床的解釈可能性の高い出力を提供することを目的とする。

提案手法

• 本手法は2段階型DCNNを採用する：局所ネットワークで病変検出を行い、グローバルネットワークでDR重症度を評価する。
• 12,206枚の病変パッチから抽出・ラベル付けを行い、臨床的眼科医の支援のもと23,595枚の眼底画像に対してDR重症度を再ラベル付けした。
• 病変が重度の領域に高い注目度を割り当てる不均衡な重みマップを導入し、グローバル評価ネットワークにおける特徴抽出の学習を強化した。
• 局所ネットワークは、熟練した人間の観察者と同等の性能を示し、バイナリ病変検出においてAUC = 0.9590（高感度・高特異度のポイント）を達成した。
• グローバルネットワークは重み付き損失関数を用いてトレーニングされ、誤分類や微細な症例を優先することで、早期DR検出における耐性を向上させた。
• フレームワークはKaggle糖尿病網膜症検出コンペティションの再ラベル付け済みデータセットを用いて評価され、受信者操作特性曲線（ROC）とカッパスコアを用いた検証が実施された。

実験結果

リサーチクエスチョン

• RQ1 2段階型DCNNアーキテクチャは、エンドツーエンドDCNNに比べ、網膜病変の検出とDR重症度評価において優れた性能を示すか？
• RQ2 不均衡な重みマップの使用は、標準的なトレーニングに比べ、DR重症度評価ネットワークの性能を顕著に向上させるか？
• RQ3 提案手法は、複数の病変タイプ（例：微小動脈瘤、出血、漏出）を局所化・分類しつつ、正確な重症度評価（NPDR 0〜3）を提供できるか？
• RQ4 同じデータセット上で、病変検出ネットワークの性能は熟練した人間の観察者と比較してどの程度か？
• RQ5 重み付けスキームは、軽度または早期DR症例の誤分類をどの程度低減するか？

主な発見

• 提案された2段階型DCNNは、重み付けスキームを用いた場合、参照可能なDR検出においてAUC = 0.9590を達成したのに対し、非重み付けベースラインでは0.7986にとどまった。
• 病変検出ネットワークは、熟練した人間の観察者と同等の性能を示し、ROC曲線上の感度・特異度のポイントが明示された。
• 不均衡な重みマップは、カッパスコアと正答率の両面で顕著に向上をもたらしたことが図7で示された。
• 重み付けスキームを適用したグローバルネットワークは、非重み付けバージョンおよび標準的なAlexNetよりも重症度評価タスクで優れた性能を示した。
• 局所ネットワークとグローバルネットワークの統合により、グローバルな画像コンテキストを活用することで、局所ネットワークの誤りが低減された。
• 本手法は、微小動脈瘤、出血、漏出という3つの主要な病変タイプを正確に局所化・分類し、NPDR重症度評価（0〜3）を的確に割り当てることに成功した。