[論文レビュー] Pathological Myopic Image Analysis with Transfer Learning

Ruitao Xie, Libo Liu+2 more|arXiv (Cornell University)|Jul 31, 2019

Retinal Imaging and Analysis参考文献 7被引用数 6

ひとこと要約

本論文は、事前学習されたResNetおよびVGGアーキテクチャを活用して、病理的近視の網膜画像分析のための転移学習ベースのディーブラーニングモデルを提案する。分類、黄斑部位置特定、視神経乳頭セグメンテーションの3つのタスクで最先端の性能を達成した。本手法はISBI 2019 PALMチャレンジにおいて、分類と黄斑部位置特定で1位、セグメンテーションで2位を獲得した。

ABSTRACT

We present a summary of transfer learning based methods for several challenging myopic fundus image analysis tasks including classification of pathological and non-pathological myopia,localisation of fovea,and segmentation of optic disc.By adapting existing popular deep learning architectures,our proposed methods have achieved 1st and 2nd place in several tasks at the Pathologic Myopia Challenge held at ISBI2019.

研究の動機と目的

• 病理的近視の網膜画像データセットに限られたアノテーションが存在するという課題に対処するため、転移学習を活用する。
• 網膜の網膜画像の自動分析により、病理的近視の早期診断を向上させる。
• 分類、黄斑部位置特定、視神経乳頭セグメンテーションの3つの主要タスクを対象とした堅牢なディーブラーニングモデルの開発。
• ImageNetから事前学習されたモデルを微調整することで、小規模なデータセットでも高い性能を達成する。
• 実世界のコンペティションベンチマークを用いて、深層学習の臨床的潜在的可能性を、近視網膜画像分析の文脈で評価する。

提案手法

• 交差エントロピー損失とガウスノイズおよびランダム回転を用いたデータオーグメンテーションを適用し、ImageNetで事前学習されたResNet50を微調整して、病理的近視対非病理的近視の分類を実施。
• 第4および第5ブロックの特徴を統合する形で変更したVGG19を、平均ユークリッド距離損失で学習させ、黄斑部位置特定を実行。
• エンコーダーにResNet34、ASPPモジュールを組み合わせたU-Netに類似したアーキテクチャを提案。スキップ接続とマルチスケール入力を用いて視神経乳頭セグメンテーションを実現。
• 分類モデルの最適化に、カテゴリカル交差エントロピー損失とDice係数損失を組み合わせた。
• 一般化性能を向上させるために、ノイズ注入と回転を含むデータオーグメンテーション技術を活用。
• 自然画像ドメインからの事前学習モデルを、最小限のタスク固有の再学習で、医療用網膜画像処理に適応化した。

実験結果

リサーチクエスチョン

• RQ1 ImageNetで事前学習されたモデルからの転移学習は、限られた学習データで病理的近視分類において高い性能を達成できるか？
• RQ2 特徴の統合とユークリッド距離損失を組み合わせた変更版VGG19アーキテクチャは、網膜画像における黄斑部位置特定にどの程度効果的か？
• RQ3 ASPPとマルチスケール入力を組み合わせたハイブリッドU-NetとResNet34アーキテクチャは、視神経乳頭セグメンテーションの精度を向上させられるか？
• RQ4 微調整された事前学習モデルは、近視網膜画像分析タスクにおいて、標準的なアーキテクチャと比較してどの程度優れているか？
• RQ5 小規模なデータセットを用いた転移学習により、PALMのような実世界の臨床チャレンジでどの程度の性能が達成可能か？

主な発見

• 提案手法は、病理的近視分類タスクでAUC 0.998を達成し、PALMチャレンジで1位を獲得した。
• 変更版VGG19モデルは、黄斑部位置特定において平均ユークリッド距離0.0295を達成し、ResNet50および標準VGG19を上回った。
• セグメンテーションモデルは、交差エントロピー損失とDice係数損失の組み合わせにより、視神経乳頭セグメンテーションタスクで2位を獲得し、優れた性能を示した。
• ガウスノイズと回転を用いたデータオーグメンテーションを適用したモデルは、小規模なトレーニングセットでも耐障害性と一般化性能が向上した。
• 結果から、事前学習モデルの微調整により、限られた医療画像データでも高い精度が達成可能であることが示された。
• 強力な性能を示したが、失敗事例も観察されたことから、臨床応用のためのさらなる研究が求められる。