[論文レビュー] Transfer Learning based Detection of Diabetic Retinopathy from Small Dataset

Misgina Tsighe Hagos, Shri Kant|arXiv (Cornell University)|May 17, 2019

Retinal Imaging and Analysis参考文献 42被引用数 48

ひとこと要約

本研究は、注釈付きデータの不足を克服するため、サブサンプル化した小規模データセット上で事前学習済みの Inception-V3 モデルを糖尿病性網膜症検出に適用することを調査します。限られたラベル付きデータでの DR 分類に対する転移学習の利点を示します。

ABSTRACT

Annotated training data insufficiency remains to be one of the challenges of applying deep learning in medical data classification problems. Transfer learning from an already trained deep convolutional network can be used to reduce the cost of training from scratch and to train with small training data for deep learning. This raises the question of whether we can use transfer learning to overcome the training data insufficiency problem in deep learning based medical data classifications. Deep convolutional networks have been achieving high performance results on the ImageNet Large Scale Visual Recognition Competition (ILSVRC) image classification challenge. One example is the Inception-V3 model that was the first runner up on the ILSVRC 2015 challenge. Inception modules that help to extract different sized features of input images in one level of convolution are the unique features of the Inception-V3. In this work, we have used a pretrained Inception-V3 model to take advantage of its Inception modules for Diabetic Retinopathy detection. In order to tackle the labelled data insufficiency problem, we sub-sampled a smaller version of the Kaggle Diabetic Retinopathy classification challenge dataset for model training, and tested the model's accuracy on a previously unseen data subset. Our technique could be used in other deep learning based medical image classification problems facing the challenge of labeled training data insufficiency.

研究の動機と目的

• 医用画像分類における糖尿病性網膜症のための限られた注釈付きトレーニングデータの課題に対処する。
• 事前学習済み CNN からの転移学習がトレーニングデータの必要量を減らせるかを評価する。
• Inception-V3 の事前学習済みモデルを活用して、小さくサブサンプル化したデータセットから糖尿病性網膜症を検出する。

提案手法

• 事前学習済みの Inception-V3 モデルを使用して Inception モジュールによるマルチスケール特徴抽出を活用する。
• トレーニング用に Kaggle の糖尿病性網膜症データセットの小さな版をサブサンプル化する。
• 一般化性能を評価するため、これまで見たことのないデータのサブセットでモデルの精度をテストする。
• 医用画像分類におけるトレーニングデータ不足を緩和するために転移学習を適用する。

実験結果

リサーチクエスチョン

• RQ1 事前学習済み CNN からの転移学習は、少数のラベル付きデータで糖尿病性網膜症検出を改善できるか。
• RQ2 転移学習を用いたサブサンプル訓練セットは、未知データへの DR 検出の一般化性能にどの程度寄与するか。
• RQ3 データ不足の下で、Inception-V3 は網膜画像の DR 分類に関連する特徴を抽出するのに適しているか。

主な発見

• 事前学習済みの Inception-V3 モデルを用いた転移学習は、小さなデータセット上で糖尿病性網膜症検出に利用できる。
• Kaggle の DR データセットをサブサンプル化することで、限られたラベルデータ条件下でのモデル訓練を可能にする。
• 未知データ上で一般化性能を評価する。
• データ不足に直面する他の医用画像分類問題にも適用可能であると提案される。