[논문 리뷰] Assessment of central serous chorioretinopathy (CSC) depicted on color fundus photographs using deep Learning

Yi Zhen, Hang Chen외 5명|arXiv (Cornell University)|2019. 01. 14.

Retinal Imaging and Analysis참고 문헌 16인용 수 3

한 줄 요약

이 연구는 색소성 망막도 사진에서 중심섬유막망막병변(CSC)을 진단하기 위해 딥러닝, 특히 InceptionV3 아키텍처를 사용하는 것을 평가한다. OCT로 확인된 CSC 상태를 가진 2,504幅의 이미지로 훈련된 모델은 인간 평가자들과 비교해 카파 계수 0.59를 기록하여 망막도상의 CSC 병변을 신뢰하고 일관되게 분류하는 데 성공하였다.

ABSTRACT

To investigate whether and to what extent central serous chorioretinopathy (CSC) depicted on color fundus photographs can be assessed using deep learning technology. We collected a total of 2,504 fundus images acquired on different subjects. We verified the CSC status of these images using their corresponding optical coherence tomography (OCT) images. A total of 1,329 images depicted CSC. These images were preprocessed and normalized. This resulting dataset was randomly split into three parts in the ratio of 8:1:1 respectively for training, validation, and testing purposes. We used the deep learning architecture termed InceptionV3 to train the classifier. We performed nonparametric receiver operating characteristic (ROC) analyses to assess the capability of the developed algorithm to identify CSC. The Kappa coefficient between the two raters was 0.48 (p < 0.001), while the Kappa coefficients between the computer and the two raters were 0.59 (p < 0.001) and 0.33 (p < 0.05).Our experiments showed that the computer algorithm based on deep learning can assess CSC depicted on color fundus photographs in a relatively reliable and consistent way.

연구 동기 및 목표

• 딥러닝이 색소성 망막도 사진에서 CSC를 신뢰성 있게 평가할 수 있는지 확인하는 것.
• 임상적 OCT 판독 결과와 비교해 딥러닝 분류기의 성능을 검증하는 것.
• 인간 전문가와 알고리즘 간의 평가자 간 일치도를 평가하는 것.
• 광범위하게 이용 가능한 망막 영상 기반으로 조기 CSC 진단을 위한 확장 가능한 자동화 도구를 개발하는 것.

제안 방법

• 다양한 환자로부터 2,504幅의 색소성 망막도 영상을 수집하였으며, CSC 상태는 해당되는 광학간섭단층촬영(OCT) 스캔으로 확인하였다.
• 데이터셋 전반에 걸쳐 일관성을 확보하기 위해 이미지를 전처리 및 정규화하였다.
• 무작위 계층화를 사용해 데이터셋을 80% 훈련, 10% 검증, 10% 테스트 세트로 분할하였다.
• ImageNet으로 사전 훈련된 InceptionV3 아키텍처를 사용해 CSC 데이터셋에 맞게 미세조정한 딥러닝 분류기를 훈련시켰다.
• 비모수적 수신기작동특성(ROC) 분석을 통해 모델 성능을 평가하였다.
• 평가자와 알고리즘 간의 일치도를 평가하기 위해 코헨의 카파 계수를 계산하였다.

실험 결과

연구 질문

• RQ1 딥러닝 모델은 색소성 망막도 사진에서 CSC를 정확하게 식별할 수 있는가?
• RQ2 모델의 성능은 인간 전문가 평가자들과 비교해 어떻게 나타나는가?
• RQ3 알고리즘과 인간 독자 간의 평가자 간 일치도는 어떠한가?
• RQ4 딥러닝은 임상 환경 간 CSC 진단의 변동성을 어느 정도 줄일 수 있는가?

주요 결과

• 모델은 첫 번째 인간 평가자와 비교해 카파 계수 0.59(p < 0.001)를 기록하여 상당한 일치도를 보였다.
• 두 번째 인간 평가자와 비교해 카파 계수 0.33(p < 0.05)를 기록하여 보통의 일치도를 보였다.
• 두 명의 인간 평가자 간 평가자 간 일치도는 0.48(p < 0.001)로 중간 정도의 일치도를 보였다.
• 모델는 인퍼런스 시 OCT가 필요 없이 색소성 망막도 영상만으로도 CSC 병변을 강력하게 탐지하는 데 성공하였다.
• ROC 분석을 통해 모델가 비-CSC 망막도 영상과의 구분 능력이 뛰어나다는 것이 확인되었다.