[논문 리뷰] Application of Deep Learning in Fundus Image Processing for Ophthalmic Diagnosis -- A Review

Sourya Sengupta, Amitojdeep Singh외 3명|arXiv (Cornell University)|2018. 12. 09.

Retinal Imaging and Analysis참고 문헌 126인용 수 33

한 줄 요약

이 리뷰는 당뇨성 망막병증, 녹내장, 노안성 황반변성과 같은 망막 질환의 진단을 위한 망막 기저도 영상 분석에서 딥 러닝 응용을 평가한다. 주로 망막 구조물과 질환의 분할 및 분류에 초점을 맞추며, 특히 컨volutional 네트워크(CNN)를 포함한 딥 러닝 모델이 전통적인 방법보다 정확도와 특징 학습 능력에서 뛰어나며, 다양한 데이터셋에서 최첨단 성능을 보임을 입증한다.

ABSTRACT

An overview of the applications of deep learning in ophthalmic diagnosis using retinal fundus images is presented. We also review various retinal image datasets that can be used for deep learning purposes. Applications of deep learning for segmentation of optic disk, blood vessels and retinal layer as well as detection of lesions are reviewed. Recent deep learning models for classification of diseases such as age-related macular degeneration, glaucoma,diabetic macular edema and diabetic retinopathy are also reported.

연구 동기 및 목표

• 주요 안과 질환 진단을 위한 망막 기저도 영상 처리에서의 딥 러닝 응용을 체계적으로 검토하는 것.
• 망막 영상에서의 분할 및 분류 작업에 사용된 최첨단 딥 러닝 아키텍처를 식별하고 분석하는 것.
• 안과 진단에서 딥 러닝 모델과 전통적인 머신 러닝 방법 간의 성능을 평가하는 것.
• 이 분야에서 데이터 부족, 도메인 이동, 표준화된 성능 기준이 부족한 문제를 부각하는 것.
• 모델의 강건성과 일반화 능력을 향상시키기 위한 향후 연구 방향, 예를 들어 생성 모델 및 도메인 적응 기법을 제안하는 것.

제안 방법

• 망막 기저도 영상와 함께 안과 진단을 위한 딥 러닝 관련 학술 논문을 체계적으로 검토.
• 과제별로 딥 러닝 모델을 분류: 분할(망막신경총, 혈관, 망막층), 병변 탐지, 질환 분류.
• 14개의 공개된 기저도 영상 데이터셋을 분석하여 영상 수, 임상적 용도, 카메라 유형 및 가용성 확인.
• 딥 러닝 모델(예: ResNet, FCN, 오토인코더, GAN)과 전통적인 머신 러닝 및 CAD 시스템 간 비교.
• 모델 효과성을 평가하기 위해 AUC, 정확도, F1 점수, MCC 등의 성능 지표를 여러 연구에서 분석.
• 도메인 이동 및 데이터 부족 문제를 해결하기 위해 전이 학습 및 적대적 도메인 적응 기법과 같은 고급 기법 논의.

실험 결과

연구 질문

• RQ1 딥 러닝 모델은 기저도 영상에서 안과 질환을 진단할 때 전통적인 머신 러닝 방법보다 어떻게 비교되는가?
• RQ2 기저도 영상에서 망막신경총, 혈관 및 망막층의 분할에 가장 효과적인 딥 러닝 아키텍처는 무엇인가?
• RQ3 딥 러닝을 기저도 영상 분석에 적용할 때 데이터 가용성 및 레이블링 문제와 같은 주요 과제는 무엇인가?
• RQ4 생성 모델은 안과 분야의 딥 러닝 응용에서 데이터 부족 문제를 어느 정도 완화시킬 수 있는가?
• RQ5 도메인 이동은 모델 성능에 어떤 영향을 미치며, 다양한 영상 소스 간에서 강건성을 향상시키기 위한 기법은 무엇인가?

주요 결과

• 딥 러닝 모델은 당뇨성 망막병증, 녹내장, 노안성 황반변성 진단에서 전통적인 머신 러닝 및 CAD 시스템을 일관되게 능가한다.
• 컨volutional 네트워크(CNN)가 주요 아키텍처를 차지하며, ResNet, FCN, 오토인코더 기반 모델이 분할 및 분류 작업에서 뛰어난 성능을 보였다.
• 최첨단 모델은 병변 탐지에서 AUC 0.982를 기록했으며(Haloi 등), MESSIDOR 데이터셋에서 kNN-DREAM을 사용한 질환 분류에서는 정확도 98.88%를 달성했다.
• 데이터 부족과 표준화된 성능 지표(예: AUC, F1, MCC) 부족으로 인해 모델 간 비교 및 임상적 도입이 저해된다.
• 카메라 설정의 차이로 인한 도메인 이동은 모델의 일반화 능력을 크게 떨어뜨리며, 특히 훈련 데이터와 테스트 데이터가 서로 다른 분포를 가질 경우 더욱 심각한 영향을 미친다.
• GAN 및 변동성 오토인코더와 같은 생성 모델은 임상적으로 유의미하고 레이블이 부여된 기저도 영상을 합성하여 데이터 부족 문제를 완화하는 데 잠재력이 있다.