[논문 리뷰] Automated Strabismus Detection for Telemedicine Applications

Jiewei Lu, Zhun Fan외 5명|arXiv (Cornell University)|2018. 09. 09.

Retinal Imaging and AnalysisMedicine참고 문헌 18인용 수 18

한 줄 요약

이 논문은 원격의료에서 자동화된 스트라비즘 검출을 위한 엔드 투 엔드 딥 러닝 프레임워크인 RF-CNN을 제안한다. 먼저 R-FCN을 사용해 눈 부위를 분할하고, 그 다음에 CNN을 사용해 스트라비즘 또는 정상으로 분류한다. 새로 확보한 원격 스트라비즘 데이터셋에서 93.30%의 민감도, 96.17%의 특이도, 98.65%의 AUC를 기록하여 원격 진료에서 뛰어난 성능을 입증한다.

ABSTRACT

Strabismus is one of the most influential ophthalmologic diseases in human's life. Timely detection of strabismus contributes to its prognosis and treatment. Telemedicine, which has great potential to alleviate the growing demand of the diagnosis of ophthalmologic diseases, is an effective method to achieve timely strabismus detection. In this paper, a tele strabismus dataset is established by the ophthalmologists. Then an end-to-end framework named as RF-CNN is proposed to achieve automated strabismus detection on the established tele strabismus dataset. RF-CNN first performs eye region segmentation on each individual image, and further classifies the segmented eye regions with deep neural networks. The experimental results on the established tele strabismus dataset demonstrates that the proposed RF-CNN can have a good performance on automated strabismus detection for telemedicine application. Code is made publicly available at: https://github.com/jieWeiLu/Strabismus-Detection-for-Telemedicine-Application.

연구 동기 및 목표

• 원격 또는 의료 접근이 어려운 지역에서 스트라비즘 조기 진료의 증가하는 필요를 해결하기 위해.
• 전문의가 반드시 현장에 있어야 하는 기존의 현장 진료 방식의 한계를 극복하기 위해.
• 원격의료를 활용한 스트라비즘 검출을 위한 자동화되고 확장 가능한 솔루션을 개발하기 위해.
• 연구 및 임상 검증을 위한 공개 가능한 원격 스트라비즘 데이터셋을 구축하기 위해.
• 암시성 시력 손실 및 실명 등의 합병증을 방지하기 위해 스트라비즘을 조기에 발견하기 위해.

제안 방법

• 두 단계로 구성된 엔드 투 엔드 RF-CNN 프레임워크를 제안한다: 눈 부위 분할 및 스트라비즘 분류.
• 정밀한 눈 부위 분할을 위해 배경 간섭을 줄이기 위해 R-FCN을 사용해 위치 민감도 스코어 매핑을 생성한다.
• 분할된 눈 부위는 최종 분류를 위해 깊이 컨볼루션 신경망(CNN)에 입력된다.
• 모델은 가중치 감쇠 5×10⁻⁴과 드롭아웃 비율 0.5를 사용해 확률적 경사 하강법으로 훈련된다.
• GPU를 탑재한 시스템에서 배치 크기가 32이고 초기 학습률이 0.01인 조건에서 5000 반복 동안 훈련이 수행된다.
• 프레임워크는 텐서플로우를 사용해 구현되었으며, 새로 확보한 원격 스트라비즘 데이터셋을 기반으로 검증되었다.

실험 결과

연구 질문

• RQ1 자동화된 딥 러닝 시스템은 원격의료 환경에서 높은 정확도의 스트라비즘 검출을 달성할 수 있는가?
• RQ2 학습 예제의 수가 늘어남에 따라 자동 스트라비즘 검출 성능는 어떻게 변화하는가?
• RQ3 복잡하고 다양한 원격의료 영상에서 눈 부위 분할이 검출 정확도를 향상시킬 수 있는가?
• RQ4 연구 및 임상 용도로 사용 가능한 공개 원격 스트라비즘 데이터셋을 구축하는 것이 가능한가?
• RQ5 제안된 RF-CNN 프레임워크는 전통적 방법에 비해 민감도와 특이도 측면에서 원격 진료에서 뛰어난 성능을 보일 수 있는가?

주요 결과

• RF-CNN는 원격 스트라비즘 데이터셋에서 93.30%의 민감도를 기록하여 스트라비즘 환자를 강력하게 탐지할 수 있음을 보여준다.
• 특이도는 96.17%에 도달하여 정상 눈 영상의 정확한 식별 능력을 보여준다.
• 모델은 정확도 93.89%와 AUC 0.9865를 기록하여 뛰어난 종합 진단 성능를 입증한다.
• 학습 예제가 약 1500개 이르기까지 성능 향상이著격히 향상되었고, 이후에는 성능 향상 폭이 둔화되었다.
• 민감도 분석을 통해 모델 성능가 증가하는 학습 데이터에 대해 강건하고 확장 가능한 것으로 확인되었다.
• 본 연구는 새로 확보한 데이터셋을 기반으로 검증된, 원격의료를 위한 첫 번째 엔드 투 엔드 자동 스트라비즘 검출 프레임워크를 제시한다.