[논문 리뷰] Classification of Diabetic Retinopathy Severity in Fundus Images with DenseNet121 and ResNet50

Jonathan Zhang, Bowen Xie외 3명|arXiv (Cornell University)|2021. 08. 19.

Retinal Imaging and Analysis참고 문헌 2인용 수 4

한 줄 요약

이 연구는 RGB, 녹색 필터링 및 고대비 영상 변형을 사용하여 망막 영상에서 당뇨병성 망막병증의 중증도를 분류하기 위해 DenseNet121과 ResNet50을 평가한다. RGB 영상에서 DenseNet121을 사용할 경우 최대 검증 정확도 85%와 최소 검증 손실 0.17을 달성하여, 모델 아키텍처와 영상 전처리가 DR 분류 성능에 크게 영향을 준다는 것을 입증한다.

ABSTRACT

In this work, deep learning algorithms are used to classify fundus images in terms of diabetic retinopathy severity. Six different combinations of two model architectures, the Dense Convolutional Network-121 and the Residual Neural Network-50 and three image types, RGB, Green, and High Contrast, were tested to find the highest performing combination. We achieved an average validation loss of 0.17 and a max validation accuracy of 85 percent. By testing out multiple combinations, certain combinations of parameters performed better than others, though minimal variance was found overall. Green filtration was shown to perform the poorest, while amplified contrast appeared to have a negligible effect in comparison to RGB analysis. ResNet50 proved to be less of a robust model as opposed to DenseNet121.

연구 동기 및 목표

• 인간 평가자의 부족을 해결하기 위해 망막 영상에서 당뇨병성 망막병증(DR) 중증도를 자동으로 분류하기 위한 딥러닝 모델을 개발하는 것.
• 다양한 영상 전처리 변형에서 두 개의 딥러닝 아키텍처—DenseNet121과 ResNet50—의 성능을 평가하는 것.
• DR 중증도 분류에 최적의 모델 아키텍처와 영상 유형(RGB, 녹색 필터링, 고대비) 조합을 규명하는 것.
• 녹색 필터링 및 히스토그램 균형화와 같은 영상 전처리 기법이 모델 성능에 미치는 영향을 평가하는 것.
• 전이 학습과 합성곱 신경망을 활용한 확장 가능하고 정확한 DR 스크리닝 도구의 기반을 마련하는 것.

제안 방법

• APTOS Kaggle 데이터셋의 3,662개 망막 영상을 244×244 픽셀로 리사이징하고, 원본 RGB, 녹색 채널 전용 필터(빨간색 및 파란색 채널 제거), 고대비(히스토그램 균형화된 RGB 채널)의 세 가지 영상 유형으로 전처리하였다.
• ImageNet 가중치를 사용한 전이 학습을 통해 DenseNet121과 ResNet50 두 모델을 훈련하였으며, 최상단 분류 레이어를 제외하였다.
• 다중 클래스 DR 중증도 분류(0–4)를 위해 글로벌 평균 풀링 레이어, 드롭아웃(0.5), 5개 클래스의 소프트맥스 출력 레이어로 구성된 순차 모델을 구축하였다.
• 낮은 초기 학습률(0.0001), 이진 교차 엔트로피 손실, 정확도를 메트릭으로 사용하여 Adam 옵timizer를 사용해 모델을 최적화하였다.
• 일반화 성능 향상을 위해 Keras ImageDataGenerator를 활용해 무작위 줌, 수평 및 수직 반전, 일정한 패딩을 적용한 데이터 증강을 적용하였다.
• 데이터를 80% 훈련 및 20% 테스트로 분할하고, 15개 에포크 동안 검증 손실과 정확도를 사용해 성능을 평가하였다.

실험 결과

연구 질문

• RQ1 모델 아키텍처(DenseNet121 대비 ResNet50)와 영상 전처리(RGB, 녹색, 고대비)의 조합 중에서 DR 중증도 분류에 가장 높은 검증 정확도를 달성하는 조합은 무엇인가?
• RQ2 망막 영상의 녹색 필터링이 딥러닝 모델의 당뇨병성 망막병증 탐지 성능에 어떤 영향을 미치는가?
• RQ3 히스토그램 균형화를 통해 영상 대비를 향상시키는 것이 표준 RGB 영상에 비해 분류 성능을 유의미하게 향상시키는가?
• RQ4 DenseNet121과 ResNet50의 검증 손실과 정확도는 다양한 영상 전처리 전략에서 어떻게 비교되는가?
• RQ5 제한된 훈련 데이터에서 모델 아키텍처가 DR 분류의 강건성과 일반화 능력에 얼마나 영향을 미치는가?

주요 결과

• DenseNet121과 RGB 영상의 조합이 평균 검증 손실 0.17을 기록하여 최적화 안정성 측면에서 뛰어난 성능을 보였다.
• ResNet50 + RGB 조합이 최대 검증 정확도 85%를 기록하여 다른 조합 대비 분류 성능에서 뛰어났다.
• 녹색 필터링 영상은 모든 모델에서 가장 열악한 성능을 보였으며, 이는 색채널 감소가 임상적 진단 특징을 약화시킨다는 것을 시사한다.
• 고대비 영상은 표준 RGB 영상과 비교해 성능 향상이 거의 없었으며, 히스토그램 균형화가 모델 성능 향상에 유의미한 기여를 하지 않았음을 시사한다.
• DenseNet121는 다양한 영상 유형에서 낮은 손실과 일관된 성능을 기록하여 ResNet50보다 더 높은 강건성을 보였다.
• 대부분의 설정에서 높은 정확도를 기록했음에도 불구하고 성능의 총체적 변동 범위는 미미했으며, 이는 현재 데이터 제약 조건 하에서 모델 선택과 전처리가 영향을 미치는 정도가 제한적이라는 것을 시사한다.