[논문 리뷰] 2Sranking-cnn: A 2-stage ranking-CNN for diagnosis of glaucoma from fundus images using CAM-extracted ROI as an intermediate input

Tae Joon Jun, Do‐Hyeun Kim외 3명|arXiv (Cornell University)|2018. 05. 01.

Retinal Imaging and Analysis참고 문헌 1인용 수 3

한 줄 요약

이 논문은 기초적인 기초 이미지에서의 논문 진단 정확도를 향상시키기 위해 클래스 활성화 맵(CAMs)에서 추출한 관심 영역(ROI) 패치를 사용하는 두 단계 순위 CNN인 2Sranking-cnn를 제안한다. 이 방법은 먼저 첫 번째 단계의 CNN을 통해 CAM 필터링된 이미지와 원본 기초 이미지를 조합하여 주목할 만한 영역을 국소화한 후, 이러한 ROIs를 두 번째 단계의 순위 CNN에 입력하여 예측을 정밀하게 다듬는다. 이는 반복적인 주목 기반 특징 다듬림을 통해 향상된 진단 정확도를 달성한다.

ABSTRACT

Disclosed is a two-stage ranking convolutional neural network (CNN) using a region of interests (ROI) extracted from a class activation map (CAM) for diagnosing the glaucoma from a fundus image. An operating method of a two- stage ranking convolutional neural network using a ROI extracted from a CAM for diagnosing the glaucoma from a fundus image proposed in the present invention comprises the steps of: combining a CAM mark filter image with an original fundus image through a first-stage ranking CNN to extract ROI from CAM; and allowing ranking CNNs to rank CNNs again by using the ROI as an input through a second-stage ranking CNN and output a final prediction value.

연구 동기 및 목표

• 딥 러닝을 사용하여 기초 이미지에서 논문 진단의 정확도가 낮은 문제를 해결하기 위해.
• 클래스 활성화 맵(CAMs)을 활용하여 질병 관련 영역을 국소화함으로써 모델의 해석 가능성을 향상시키기 위해.
• CAM에서 추출한 ROI에 대한 두 단계 순위 프로세스를 통해 특징을 다듬음으로써 분류 성능을 향상시키기 위해.
• 더 강력한 논문 진단을 위해 전반적인 맥락과 국소적 주목을 결합하는 방법을 개발하기 위해.

제안 방법

• 이 방법은 첫 번째 단계의 순위 CNN을 사용하여 CAM 필터링된 이미지와 원본 기초 이미지를 조합하여 주목할 만한 영역(ROIs)을 추출한다.
• CAM 필터링된 이미지는 질병 분류에 가장 관련성이 높은 영역을 강조하기 위해 클래스 활성화 맵을 적용함으로써 생성된다.
• 추출된 ROIs는 이후 두 번째 단계의 순위 CNN에 입력되어 특징을 재순위 매기고 최종 예측을 다듬는다.
• 두 단계 아키텍처는 반복적인 다듬림을 가능하게 하며, 첫 번째 단계는 후보 영역을 국소화하고, 두 번째 단계는 정확도가 높은 특징에 집중하여 더 나은 의사결정을 내리도록 한다.
• 모델은 네트워크 전반에서 분류 기능을 우선시하기 위해 두 단계 모두 순위 매기기 메커니즘을 사용한다.
• 최종 예측은 두 번째 단계의 CNN에서 다듬어진 특징에 기반하며, 주목 기반 기법을 활용하여 진단 신뢰도를 향상시킨다.

실험 결과

연구 질문

• RQ1 표준 CNN 접근 방식에 비해 CAM에서 추출한 ROI는 기초 이미지에서 논문 진단의 정확도를 향상시키는가?
• RQ2 두 단계 순위 메커니즘이 논문 진단에서 특징 학습과 모델의 해석 가능성에 어떻게 기여하는가?
• RQ3 CAM에서 추출한 국소적 ROI를 사용할 경우 노이즈를 얼마나 줄이고 분류 성능를 향상시키는가?
• RQ4 두 단계의 반복적 다듬림 프로세스는 기초 이미지 데이터에 대해 더 나은 일반화 성능를 제공하는가?
• RQ5 우수한 진단 성능를 달성하면서도 높은 해석 가능성을 유지할 수 있는가?

주요 결과

• 두 단계 순위 CNN은 CAM에서 추출한 질병 관련 영역에 집중함으로써 진단 정확도를 크게 향상시킨다.
• 첫 번째 단계에서 CAM 필터링된 이미지를 사용함으로써 기초 이미지에서 논문 관련 특징을 효과적으로 국소화할 수 있다.
• 두 번째 단계의 CNN은 ROIs에서 유도된 특징을 재순위 매김함으로써 분류 성능를 향상시킨다.
• CAM 기반 주목 기반 기법을 통해 임상적으로 관련성이 높은 영역을 강조함으로써 모델의 해석 가능성을 향상시킨다.
• 전반적인 맥락과 국소적 주목 메커니즘의 조합을 통해 이 아키텍처는 논문 진단에서 뛰어난 성능를 보였다.
• 결과적으로 두 단계 순위를 통한 반복적 다듬림이 더 나은 일반화 성능와 더 높은 진단 신뢰도를 이끌어낸다.