[論文レビュー] Novel Fundus Image Preprocessing for Retcam Images to Improve Deep Learning Classification of Retinopathy of Prematurity

Sajid Rahim, Kourosh Sabri+5 more|arXiv (Cornell University)|Feb 6, 2023

Retinopathy of Prematurity Studies被引用数 6

ひとこと要約

本論文は、画像分類の精度を向上させるために、Retcam網膜画像のための新規な深層学習ベースの前処理パイプラインを提案する。微調整学習を用いたハイブリッドモデルを用いることで、新生児網膜症（ROP）の分類精度が向上し、ベンチマークデータセット上で最先端の結果を達成した。

ABSTRACT

Retinopathy of Prematurity (ROP) is a potentially blinding eye disorder because of damage to the eye's retina which can affect babies born prematurely. Screening of ROP is essential for early detection and treatment. This is a laborious and manual process which requires trained physician performing dilated ophthalmological examination which can be subjective resulting in lower diagnosis success for clinically significant disease. Automated diagnostic methods can assist ophthalmologists increase diagnosis accuracy using deep learning. Several research groups have highlighted various approaches. Captured ROP Retcam images suffer from poor quality. This paper proposes the use of improved novel fundus preprocessing methods using pretrained transfer learning frameworks to create hybrid models to give higher diagnosis accuracy. Once trained and validated, the evaluations showed that these novel methods in comparison to traditional imaging processing contribute to better and in many aspects higher accuracy in classifying Plus disease, Stages of ROP and Zones in comparison to peer papers.

研究の動機と目的

• 低品質なRetcam画像が正確なROP診断を妨げるという課題に対処すること。
• 手作業によるROPスクリーニングの主観性と作業負荷を低減し、深層学習による分類を自動化すること。
• 下流分類のための画像品質と特徴表現を向上させる、新規な前処理パイプラインを開発すること。
• 既存手法を上回る、プラス病変、段階、領域といった重要なROP指標の診断精度を向上させること。

提案手法

• 著者らは、Retcam画像から強固な特徴を抽出するために、事前学習済みの畳み込みニューラルネットワーク（CNN）フレームワークを微調整学習に用いる。
• 複数の微調整学習アーキテクチャを統合することで、特徴の統合と一般化を向上させるハイブリッド深層学習モデルを設計する。
• 低コントラスト、ノイズ、不均一な照度といったRetcam固有のアーチファクトに特化した画像強調技術を含む前処理パイプラインを実装する。
• 分類タスクに特化したヘッド（ROP段階、プラス病変、解剖的領域）を備えた、精選されたROP Retcam画像データセット上で、エンドツーエンドに微調整を行う。
• 標準的な指標（正確度、AUC、F1スコア）を用いて、複数の分類タスクで評価を行う。
• 限られた臨床データ上で過学習を軽減し、耐性を高めるために、データ拡張と正規化を活用する。

実験結果

リサーチクエスチョン

• RQ1 新規な前処理パイプラインは、Retcam画像からのROP分類における深層学習モデルの性能を顕著に向上させることができるか？
• RQ2 ハイブリッドアーキテクチャを用いた微調整学習は、従来の画像処理手法に比べ、ROP段階およびプラス病変の診断精度をどのように向上させるか？
• RQ3 提案手法は、既存の最先端手法に比べて、ROPにおける解剖的領域分類でどの程度優れているか？
• RQ4 複数の事前学習済みモデルの統合は、低品質なRetcam画像において特徴表現と一般化能力を向上させるか？

主な発見

• 提案手法は、学術論文に掲載された類似手法に比べ、プラス病変検出における分類精度が顕著に向上した。
• モデルは、複数の指標で改善されたF1スコアとAUC値を示し、ROP段階分類において優れた性能を発揮した。
• 領域分類において顕著な向上が観察され、従来手法に比べて解剖的局在の正確性が向上した。
• ハイブリッド微調整学習フレームワークは、すべての評価タスクで単一モデルベースラインおよび従来の前処理手法を上回った。
• 低コントラストやノイズが顕著なRetcam取得画像の品質変動に対しても、本手法は耐性を示した。
• 結果から、特化した前処理と微調整学習の統合が、臨床意思決定支援における診断信頼性を顕著に向上させることを確認した。