[논문 리뷰] Classification of Diabetic Retinopathy via Fundus Photography: Utilization of Deep Learning Approaches to Speed up Disease Detection

Hangwei Zhuang, Nabil Ettehadi|arXiv (Cornell University)|2020. 07. 18.

Retinal Imaging and Analysis참고 문헌 22인용 수 8

한 줄 요약

이 논문은 망막 사진에서 당뇨성 망막병증(DR)을 분류하기 위한 두 가지 딥러닝 접근법을 제안한다: 얕은 신경망과 사전 훈련된 딥 네트워크를 기반으로 한 전이학습 방법. 전이학습 접근법은 드물게 발생하는 DR 계열을 탐지하는 데 있어 얕은 신경망보다 뚜렷이 뛰어난 성능을 보이며, 일반화 능력이 향상되고 희귀한 질병 단계의 분류 정확도가 향상됨을 보여준다.

ABSTRACT

In this paper, we propose two distinct solutions to the problem of Diabetic Retinopathy (DR) classification. In the first approach, we introduce a shallow neural network architecture. This model performs well on classification of the most frequent classes while fails at classifying the less frequent ones. In the second approach, we use transfer learning to re-train the last modified layer of a very deep neural network to improve the generalization ability of the model to the less frequent classes. Our results demonstrate superior abilities of transfer learning in DR classification of less frequent classes compared to the shallow neural network.

연구 동기 및 목표

• 임상 환경에서 당뇨성 망막병증 탐지가 느리고 일관성 없이 이루어지는 문제를 해결하기 위해.
• 희귀한 당뇨성 망막병증 단계에 대해 분류 정확도를 향상시키기 위해.
• 망막 영상 분석에서 얕은 신경망과 전이학습 간의 효과를 평가하기 위해.
• 사전 훈련된 딥 네트워크를 사용하여 희귀한 DR 계열에 대한 모델 일반화 능력을 향상시키기 위해.
• 자동화된 딥러닝 기반 분류를 통해 질병 탐지 속도를 높이기 위해.

제안 방법

• 공통적인 당뇨성 망막병증 단계를 망막 영상에서 분류하기 위해 더 적은 층과 파rameter를 가진 얕은 신경망을 설계하였다.
• 사전 훈련된 딥 네트워크의 마지막 완전 연결 층을 DR 데이터셋에 대해 미세조정함으로써 전이학습을 적용하였다.
• 대규모 이미지 데이터에서 학습된 특징을 활용하기 위해 사전 훈련된 모델을 ImageNet 가중치로 초기화하였다.
• 특히 부족하게 표현된 클래스에 대해 모델의 강인성과 일반화 능력을 향상시키기 위해 데이터 증강 기법을 사용하였다.
• 모델들은 여러 DR 중증도 수준을 포함한 공개된 망막 영상 데이터셋에서 훈련 및 평가되었다.
• 모델 성능은 모든 클래스에서 정확도, 정밀도, 재현율, F1-스코어와 같은 표준 지표를 사용하여 측정되었다.

실험 결과

연구 질문

• RQ1 얕은 신경망은 망막 영상에서 당뇨성 망막병증 단계를 분류하는 데 어떻게 성능을 보였는가?
• RQ2 사용자 정의 얕은 신경망에 비해 전이학습이 희귀한 당뇨성 망막병증 단계의 분류 성능을 향상시킬 수 있는가?
• RQ3 사전 훈련된 딥 네트워크의 마지막 층을 미세조정하면 희귀한 DR 단계에서의 일반화 능력이 향상되는가?
• RQ4 DR 분류에서 전이학습과 얕은 아키텍처 간의 비교 정확도와 강인성은 어떠한가?
• RQ5 딥러닝 모델은 임상 스크리닝에서 당뇨성 망막병증 탐지에 소요되는 시간을 크게 줄일 수 있는가?

주요 결과

• 얕은 신경망은 공통적인 당뇨성 망막병증 계열에 대해 높은 정확도를 달성했지만, 희귀한 계열에 대해서는 성능이 열악했다.
• 전이학습은 얕은 신경망에 비해 희귀한 DR 단계의 분류 성능을 뚜렷이 향상시켰다.
• 사전 훈련된 딥 네트워크의 마지막 층을 미세조정함으로써 모든 클래스에서 모델의 일반화 능력과 강인성이 향상되었다.
• 전이학습 접근법은 희미하고 중등도 DR 단계에서 뛰어난 F1-스코어와 재현율을 보였다. 이는 종종 간과되는 단계들이다.
• 결과적으로, DR 분류에서 전이학습은 얕은 신경망을 새로 훈련하는 것보다 더 효과적임을 확인하였다.
• 이 연구는 대규모 데이터셋에서 사전 훈련된 특징을 활용하면 당뇨성 망막병증 스크리닝에서 탐지 속도와 정확도가 향상됨을 검증하였다.