[논문 리뷰] A Refined Deep Learning Architecture for Diabetic Foot Ulcers Detection

Manu Goyal, Saeed Hassanpour|arXiv (Cornell University)|2020. 07. 15.

Diabetic Foot Ulcer Assessment and Management참고 문헌 25인용 수 13

한 줄 요약

이 논문은 4,500장의 발 이미지로 구성된 데이터셋에서 당뇨병성 발부상(DFU) 검출을 위한 개선된 EfficientDet 기반 딥러닝 아키텍처를 제안한다. 색상 일관성 전처리, 무작위 회전 및 비틀림을 활용한 데이터 증강, 점수 임계값 설정과 비최대 억제를 통한 후처리를 적용함으로써 가짜 양성 및 가짜 음성 예측를 감소시켜 DFUC2020 챌린지 데이터셋에서 검출 정확도를 향상시켰다.

ABSTRACT

Diabetic Foot Ulcers (DFU) that affect the lower extremities are a major complication of diabetes. Each year, more than 1 million diabetic patients undergo amputation due to failure to recognize DFU and get the proper treatment from clinicians. There is an urgent need to use a CAD system for the detection of DFU. In this paper, we propose using deep learning methods (EfficientDet Architectures) for the detection of DFU in the DFUC2020 challenge dataset, which consists of 4,500 DFU images. We further refined the EfficientDet architecture to avoid false negative and false positive predictions. The code for this method is available at https://github.com/Manugoyal12345/Yet-Another-EfficientDet-Pytorch.

연구 동기 및 목표

• 당뇨병 환자에서 DFU 검출이 지연될 경우 예방할 수 있는 하지 절단 비율을 낮추기 위해.
• 딥러닝을 활용한 자동화되고 비용 효율적인 컴퓨터 지원 진단(CAD) 시스템을 개발하기 위해.
• DFUC2020 데이터셋에서 가짜 양성 및 가짜 음성 예측를 줄임으로써 검출 성능을 향상시키기 위해.
• 자원이 부족하거나 농촌 의료 환경에서 확장 가능하고 원격의료 호환 가능한 DFU 스크리닝을 가능하게 하기 위해.
• MS-COCO에서의 전이 학습을 활용하고 소규모이며 다양한 DFU 데이터셋에 대해 EfficientDet를 미세조정하기 위해.

제안 방법

• 4,500장의 DFU 이미지 전역에서 조명 및 기기 변동성을 보정하기 위해 Shades of Gray 색상 일관성 알고리즘을 적용하였다.
• 이미지 변형에 대한 모델의 강건성을 높이기 위해 무작위 회전 및 비틀림을 포함한 데이터 증강 기법을 사용하였다.
• DFUC2020 데이터셋에서 사전 훈련된 EfficientDet 모델(_MS-COCO_에서 유래)을 전이 학습을 통해 미세조정하였다.
• 중복된 바운딩 박스를 제거하고 가짜 양성 예측를 줄이기 위해 점수 임계값 0.5와 비최대 억제를 적용하였다.
• NVIDIA Quadro RTX 8000 GPU에서 100 에포크 동안 훈련한 후 최소 검증 손실 기반으로 최종 모델을 선택하였다.
• 구현 및 모델 훈련을 위해 PyTorch 기반 Yet-Another-EfficientDet-Pytorch 코드베이스를 활용하였다.

실험 결과

연구 질문

• RQ1 다양한 의료 영상 데이터에서 DFU 검출 정확도를 향상시키기 위해 개선된 EfficientDet 아키텍처가 효과적인가?
• RQ2 색상 일관성 전처리가 DFU 영상에서 조명 및 기기 관련 변동성을 줄이는 데 얼마나 효과적인가?
• RQ3 회전 및 비틀림과 같은 데이터 증강 기법이 DFU 검출에 대한 모델 일반화 능력을 얼마나 향상시키는가?
• RQ4 점수 임계값 설정과 비최대 억제를 통한 후처리가 가짜 양성 및 가짜 음성 예측를 줄이는 데 얼마나 효과적인가?
• RQ5 MS-COCO에서의 전이 학습이 소규모 전문화된 의료 데이터셋인 DFUC2020에서 성능 향상에 기여하는가?

주요 결과

• 후처리를 통해 가짜 양성 및 가짜 음성 예측를 감소시킴으로써 개선된 EfficientDet 모델이 검출 성능을 향상시켰다.
• Shades of Gray 전처리 방법이 DFUC2020 데이터셋에서 조명 및 기기 유발 잡음 효과적으로 최소화하였다.
• 무작위 회전 및 비틀림을 활용한 데이터 증강이 다양한 크기와 정도의 DFU를 탐지할 수 있는 모델의 능력을 향상시켰다.
• 0.5의 점수 임계값과 비최대 억제를 적용함으로써 중복된 바운딩 박스가 크게 감소하여 국소화 정확도가 향상되었다.
• 최종 모델는 100 에포크 후 최소 검증 손실 기반으로 선택되어 안정적인 수렴을 보였다.
• 이 방법은 DFUC2020 챌린지에 성공적으로 제출되어 실제 의료 영상 작업에서의 실용성을 입증하였다.