[논문 리뷰] Automatic lesion segmentation and Pathological Myopia classification in fundus images

Cefas Rodrigues Freire, Julio Cesar da Costa Moura외 2명|arXiv (Cornell University)|2020. 02. 15.

Retinal Imaging and Analysis참고 문헌 7인용 수 11

한 줄 요약

이 논문은 Xception 및 YOLO 유사 아키텍처를 사용한 전이 학습을 통해 망막 영상에서 병적 근시(PM) 및 망막 병변의 자동 검출 및 분류를 위한 딥러닝 프레임워크를 제안한다. 모든 작업에서 높은 성능을 달성하였으며, PM 분류의 AUC-ROC는 0.9957이며, 망막 신경두 및 위축 부위 분할의 F1 점수는 0.90 초과를 기록하여 PALM 챌린지 데이터셋에서 강력한 일반화 능력을 입증한다.

ABSTRACT

In this paper we present algorithms to diagnosis Pathological Myopia (PM) and detection of retinal structures and lesions such asOptic Disc (OD), Fovea, Atrophy and Detachment. All these tasks were performed in fundus imaging from PM patients and they are requirements to participate in the Pathologic Myopia Challenge (PALM). The challenge was organized as a half day Challenge, a Satellite Event of The IEEE International Symposium on Biomedical Imaging in Venice Italy.Our method applies different Deep Learning techniques for each task. Transfer learning is applied in all tasks using Xception as the baseline model. Also, some key ideas of YOLO architecture are used in the Optic Disc segmentation algorithm pipeline. We have evaluated our model's performance according the challenge rules in terms of AUC-ROC, F1-Score, Mean Dice Score and Mean Euclidean Distance. For initial activities our method has shown satisfactory results.

연구 동기 및 목표

• 망막 영상 기반 병적 근시(PM) 진단을 위한 통합된 딥러닝 시스템 개발
• 망막 신경두, 부위, 위축, 박리와 같은 주요 망막 구조의 검출 및 분할
• 병적 근시 챌린지(PALM)에서 정의된 PM 분류 및 병변 검출의 다중 작업 문제 해결
• 제한된 의료 영상 데이터에서의 성능 향상을 위해 전이 학습 및 아키텍처 혁신 활용
• AUC-ROC, F1 점수, Dice 점수, 유클리드 거리 등 PALM 챌린지 평가 지표에서 최신 기술 수준의 성과 달성

제안 방법

• ImageNet 사전 훈련 가중치를 사용하여 PM 및 비-PM 망막 영상에 대해 미세조정된 Xception을 백본 모델로 사용한 전이 학습
• 극좌표 변환 및 데이터 증강을 적용한 YOLO 유사 객체 검출 파이프라인을 활용한 망막 신경두 분할
• IDRiD 데이터셋의 중심 좌표를 기반으로 훈련된 CNN 모델을 통한 부위 검출, 데이터 정규화 및 증강 적용
• 이중 및 다중 분류 교차 엔트로피 손실을 각각 사용한 수정된 DeepLabV3+ 모델을 통한 위축 및 박리 분할
• 분할 작업을 위한 앙상블 추론: 원본 및 수평으로 뒤집힌 이미지의 예측 결과를 평균 내어 argmax 적용 후 정확도 향상
• 데이터 전처리로는 299×299 픽셀로 중심 자르기, [-1, 1] 정규화, 수평 뒤집기, 회전 및 스케일링 증강 적용

실험 결과

연구 질문

• RQ1 Xception을 사용한 전이 학습이 망막 영상에서 병적 근시를 분류하는 데 있어 높은 정확도를 달성할 수 있는가?
• RQ2 YOLO 유사 아키텍처가 망막 영상에서 망막 신경두를 효과적으로 검출하고 분할할 수 있는가?
• RQ3 중심 좌표 애너테이션만을 사용해도 딥러닝 모델이 부위를 얼마나 정확하게 국소화할 수 있는가?
• RQ4 제한된 데이터에서 훈련된 분할 모델이 위축 및 박리 병변에 대해 높은 Dice 및 F1 점수를 달성할 수 있는가?
• RQ5 이미지 뒤집기 기반 모델 앙상블 전략이 PALM 챌린지 지표에서 분할 정확도 및 안정성 향상에 기여하는가?

주요 결과

• PM 분류 모델은 테스트 세트에서 AUC-ROC 0.9957을 기록하여 PM 및 비-PM 사례 간의 우수한 분류 능력을 입증하였다.
• 망막 신경두 분할은 F1 점수 0.9855 및 평균 Dice 점수 0.9092를 기록하여 높은 정밀도와 재현율을 보였다.
• 부위 검출은 평균 유클리드 거리 71.2958 픽셀을 기록하여 참값 대비 정확한 국소화를 보였다.
• 위축 분할은 F1 점수 0.9091 및 평균 Dice 점수 0.7798을 기록하여 병변 분할에서 강력한 성능을 보였다.
• 박리 분할은 완벽한 F1 점수 1.0000을 기록했지만, 더 낮은 Dice 점수 0.5547을 기록하여 희소 애너테이션으로 인해 정밀도는 높지만 겹침 비율은 낮은 것으로 나타났다.
• 뒤집힌 입력을 활용한 모델 앙상블 전략은 모든 병변 유형에서 분할 일관성과 최종 마스크 품질 향상에 기여하였다.