[논문 리뷰] Automated Diabetic Retinopathy Grading using Deep Convolutional Neural Network

Saket S. Chaturvedi, Kajol Gupta외 2명|arXiv (Cornell University)|2020. 04. 14.

Retinal Imaging and Analysis인용 수 15

한 줄 요약

이 논문은 APTOS 2019 데이터셋의 망막 영상에서 당뇨성 망막병증(DR) 단계를 자동으로 평가하기 위해 수정된 DenseNet121 아키텍처를 제안한다. 다중 레이블 분류에서 96.51%의 정확도와 단일 클래스 분류에서 94.44%의 정확도를 기록하였으며, 정밀도(86%), 재현율(87%), F1 점수(86%), 및 2차 가중 카파 계수(91.96%)가 높아 초기 단계의 DR 탐지에서 뛰어난 성능을 보였다.

ABSTRACT

Diabetic Retinopathy is a global health problem, influences 100 million individuals worldwide, and in the next few decades, these incidences are expected to reach epidemic proportions. Diabetic Retinopathy is a subtle eye disease that can cause sudden, irreversible vision loss. The early-stage Diabetic Retinopathy diagnosis can be challenging for human experts, considering the visual complexity of fundus photography retinal images. However, Early Stage detection of Diabetic Retinopathy can significantly alter the severe vision loss problem. The competence of computer-aided detection systems to accurately detect the Diabetic Retinopathy had popularized them among researchers. In this study, we have utilized a pre-trained DenseNet121 network with several modifications and trained on APTOS 2019 dataset. The proposed method outperformed other state-of-the-art networks in early-stage detection and achieved 96.51% accuracy in severity grading of Diabetic Retinopathy for multi-label classification and achieved 94.44% accuracy for single-class classification method. Moreover, the precision, recall, f1-score, and quadratic weighted kappa for our network was reported as 86%, 87%, 86%, and 91.96%, respectively. Our proposed architecture is simultaneously very simple, accurate, and efficient concerning computational time and space.

연구 동기 및 목표

• 세계적으로 1억 명이 영향을 받는 미세하고도 시력에 치명적인 영향을 미치는 당뇨성 망막병증의 조기 진단 문제를 해결하기 위해.
• 딥 러닝을 활용하여 DR에 대한 보조 진단 시스템의 정확도와 효율성을 향상시키기 위해.
• 시각적 복잡성이 높아 인간 진단이 특히 어려운 초기 단계의 DR 분류에 대해 강력한 성능을 보이는 모델을 개발하기 위해.
• APTOS 2019 망막 영상 데이터셋을 대상으로 수정된 DenseNet121 모델의 다중 레이블 및 단일 클래스 DR 심각도 평가 성능을 평가하기 위해.

제안 방법

• 사전 학습된 DenseNet121 모델을 APTOS 2019 데이터셋에 맞추어 미세 조정하였으며, 이 데이터셋은 DR 심각도 단계에 따라 레이블링된 망막 영상로 구성되어 있다.
• DR 분류 성능 향상을 위해 특징 학습 능력을 향상시키기 위해 아키텍처를 수정하였다.
• 다중 레이블 분류는 각 심각도 단계를 이진 분류 문제로 간주하여 수행하였다.
• 단일 클래스 분류는 다섯 단계의 DR 심각도 수준에서 엔드 투 엔드 학습을 위한 표준 교차 엔트로피 손실을 사용하여 구현하였다.
• 일반화 능력을 향상시키고 과적합을 줄이기 위해 데이터 증강을 활용한 전이 학습 기법을 적용하였다.
• 정확도, 정밀도, 재현율, F1 점수, 2차 가중 카파 계수와 같은 표준 지표를 사용하여 성능을 평가하였다.

실험 결과

연구 질문

• RQ1 수정된 DenseNet121 모델은 APTOS 2019 데이터셋에서 최신 기술 대비 뛰어난 성능을 보일 수 있는가?
• RQ2 특히 인간 전문가에게 어려운 초기 단계의 당뇨성 망막병증을 구분하는 데 모델의 성능은 어떠한가?
• RQ3 딥 러닝을 활용한 DR 심각도 평가에서 다중 레이블 분류 전략과 단일 클래스 분류 전략의 비교적 효과는 어떠한가?
• RQ4 제안된 방법은 임상 수준의 DR 스크리닝에서 정확도, 계산 효율성, 모델 단순성 간의 균형을 얼마나 잘 유지하는가?

주요 결과

• 제안된 방법은 APTOS 2019 데이터셋에서 다중 레이블 분류에서 당뇨성 망막병증 심각도 평가에 대해 96.51%의 정확도를 기록하였다.
• 단일 클래스 분류에서는 94.44%의 정확도를 기록하여 다섯 단계의 모든 DR 심각도 수준에서 뛰어난 성능을 보였다.
• 정밀도 86%, 재현율 87%, F1 점수 86%를 기록하여 양성 및 음성 예측 모두에서 균형 잡힌 성능을 보였다.
• 2차 가중 카파 계수는 91.96%에 도달하여 전문가가 평가한 레이블과의 강한 일치도를 보이며 심각도 추정의 높은 신뢰성을 반영하였다.
• 아키텍처는 계산적으로 효율적이었으며, 높은 정확도와 낮은 자원 소비 사이의 균형을 잘 유지하였다.
• 초기 단계의 DR 탐지에서 다른 최신 기술 기반 네트워크보다 뛰어난 성능을 보이며 임상적 잠재력을 입증하였다.