[논문 리뷰] Attention Based Glaucoma Detection: A Large-scale Database and CNN Model

Liu Li, Mai Xu외 3명|arXiv (Cornell University)|2019. 03. 26.

Retinal Imaging and Analysis참고 문헌 40인용 수 25

한 줄 요약

이 논문은 망막 영상에서 녹내증을 진단하기 위한 주의 기반 컨볼루션 신경망인 AG-CNN을 제안한다. 이는 5,824장의 영상으로 구성된 새로운 대규모 LAG 데이터베이스와 인간 안과 전문의의 주의 지도를 활용한다. 주의 예측, 유도 역전파를 통한 병리 부위 국소화, 녹내증 분류를 통합함으로써 AG-CNN은 95.3%의 정확도와 95.4%의 민감도를 달성하여 최신 기술보다 뛰어난 성능을 보였다.

ABSTRACT

Recently, the attention mechanism has been successfully applied in convolutional neural networks (CNNs), significantly boosting the performance of many computer vision tasks. Unfortunately, few medical image recognition approaches incorporate the attention mechanism in the CNNs. In particular, there exists high redundancy in fundus images for glaucoma detection, such that the attention mechanism has potential in improving the performance of CNN-based glaucoma detection. This paper proposes an attention-based CNN for glaucoma detection (AG-CNN). Specifically, we first establish a large-scale attention based glaucoma (LAG) database, which includes 5,824 fundus images labeled with either positive glaucoma (2,392) or negative glaucoma (3,432). The attention maps of the ophthalmologists are also collected in LAG database through a simulated eye-tracking experiment. Then, a new structure of AG-CNN is designed, including an attention prediction subnet, a pathological area localization subnet and a glaucoma classification subnet. Different from other attention-based CNN methods, the features are also visualized as the localized pathological area, which can advance the performance of glaucoma detection. Finally, the experiment results show that the proposed AG-CNN approach significantly advances state-of-the-art glaucoma detection.

연구 동기 및 목표

• 딥 러닝 모델에서 정확한 녹내증 진단을 방해하는 망막 영상의 높은 부재성 문제를 해결하기 위해.
• 의료 영상에서 인간 안과 전문의의 주의 집중 영역과 병리 부위 간 격차를 메우기 위해.
• 주의 지도 예측과 병리 부위 국소화를 동시에 수행하는 CNN 아키텍처를 개발하여 진단 성능을 향상시키기 위해.
• 훈련 및 평가를 위해 녹내증 레이블과 전문가가 주석 처리한 주의 지도를 모두 포함한 대규모 임상적 관련 데이터베이스를 구축하기 위해.

제안 방법

• 모의 눈 추적를 통해 수집한 녹내증 진단 레이블과 안과 전문의의 주의 지도를 포함한 5,824장의 망막 영상으로 구성된 LAG 데이터베이스를 구축하였다.
• 세 가지 하위망으로 구성된 AG-CNN을 설계하였다: 주의 예측 하위망, 유도 역전파를 활용한 병리 부위 국소화 하위망, 녹내증 분류 하위망.
• 유도 역전파를 활용하여 주의 지도를 정밀화하고 미세한 병리 부위(예: 시신경두경계)를 강조함으로써 국소화 정확도를 향상시켰다.
• 다양한 수용각 스케일에서의 특징 표현과 모델의 강건성을 향상시키기 위해 다중 척도 잔차 블록을 통합하였다.
• 시각화된 히트맵과 진단 기준 주의 지도 간 피어슨 상관계수(CC)를 활용하여 인간 인지와의 일치도를 평가하였다.
• 전체 AG-CNN 아키텍처에서 주의 예측 및 병리 부위 국소화 하위망의 필요성을 검증하기 위해 추상화 연구를 수행하였다.

실험 결과

연구 질문

• RQ1 CNN에 인간이 주석 처리한 주의 지도를 통합하면 망막 영상에서의 녹내증 진단 성능이 향상되는가?
• RQ2 주의 기반 특징 시각화는 표준 CAM 기반 방법에 비해 미세한 병리 부위(예: 시신경구 및 시신경두 경계)를 얼마나 효과적으로 국소화하는가?
• RQ3 예측된 주의 지도와 유도 역전파의 통합은 녹내증 진단의 해석 가능성과 정확도를 향상시키는가?
• RQ4 주의 예측 및 병리 부위 국소화 하위망은 AG-CNN 모델의 전체 성능에 얼마나 기여하는가?
• RQ5 다중 척도 잔차 블록 아키텍처는 표준 잔차 연결을 초월하여 녹내증 진단 성능을 향상시키는가?

주요 결과

• LAG 테스트 세트에서 AG-CNN은 95.3%의 정확도, 95.4%의 민감도, 95.2%의 특이도, 0.975의 AUC를 달성하여 최신 기술보다 뚜렷이 뛰어난 성능을 보였다.
• 주의 예측 하위망과 병리 부위 국소화 하위망을 모두 포함했을 경우, 두 구성 요소를 제거한 경우에 비해 F2-스코어가 4.7% 향상되었다.
• 추상화 연구 결과, 주의 예측 하위망만 제거하고 국소화 하위망은 유지할 경우 정확도가 87.1%로 떨어져, 효과적인 국소화를 위해 예측된 주의의 필요성을 확인하였다.
• 유도 역전파 기반 국소화는 시신경두 가장자리와 같은 미세한 병리 부위를 성공적으로 강조한 반면, CAM 기반 방법은 눈구조 경계와 같은 부적절한 영역을 자주 강조하였다.
• 다중 척도 블록은 표준 잔차 연결을 초월하여 성능을 향상시켰으며, 기존 단순 연결을 대체했을 경우 정확도가 92.2%로 상승하였다.
• 정확한 분류의 경우 시각화된 히트맵과 전문가 주의 지도 간 피어슨 상관계수는 0.33이었고, 잘못된 분류의 경우는 0.14였으며, 이는 주의 지도 일치도가 진단 정확도와 관련이 있음을 확인하였다.