[논문 리뷰] Comparative Performance Analysis of Transformer-Based Pre-Trained Models for Detecting Keratoconus Disease

Nayeem Ahmed, Md Maruf Rahman외 4명|arXiv (Cornell University)|2024. 08. 16.

Corneal surgery and disorders인용 수 5

한 줄 요약

이 논문은 케라토콘우스 탐지를 위해 여덟 개의 사전 학습된 CNN을 비교하고 MobileNetV2를 가장 정확한 모델로 지목하며, InceptionV3 및 DenseNet121도 잘 수행하지만 일부 모델은 경계 사례에서 어려움을 겪는다.

ABSTRACT

This study compares eight pre-trained CNNs for diagnosing keratoconus, a degenerative eye disease. A carefully selected dataset of keratoconus, normal, and suspicious cases was used. The models tested include DenseNet121, EfficientNetB0, InceptionResNetV2, InceptionV3, MobileNetV2, ResNet50, VGG16, and VGG19. To maximize model training, bad sample removal, resizing, rescaling, and augmentation were used. The models were trained with similar parameters, activation function, classification function, and optimizer to compare performance. To determine class separation effectiveness, each model was evaluated on accuracy, precision, recall, and F1-score. MobileNetV2 was the best accurate model in identifying keratoconus and normal cases with few misclassifications. InceptionV3 and DenseNet121 both performed well in keratoconus detection, but they had trouble with questionable cases. In contrast, EfficientNetB0, ResNet50, and VGG19 had more difficulty distinguishing dubious cases from regular ones, indicating the need for model refining and development. A detailed comparison of state-of-the-art CNN architectures for automated keratoconus identification reveals each model's benefits and weaknesses. This study shows that advanced deep learning models can enhance keratoconus diagnosis and treatment planning. Future research should explore hybrid models and integrate clinical parameters to improve diagnostic accuracy and robustness in real-world clinical applications, paving the way for more effective AI-driven ophthalmology tools.

연구 동기 및 목표

• 딥 러닝을 이용한 자동 케라토콘우스 진단의 동기를 제시하고, 큐레이트된 데이터세트에서 여러 사전 학습된 CNN 아키텍처를 평가한다.
• 표준화된 학습 설정을 사용하여 각 모델이 keratoconus, normal, and suspicious 케이스를 얼마나 잘 구분하는지 평가한다.
• 케라토콘우스 식별을 위한 최첨단 CNN의 강점과 약점을 파악하여 향후 모델 개발에 가이드한다.

제안 방법

• 세 클래스: keratoconus, normal, and suspicious 인 케라토콘우스 데이터세트에서 여덟 개의 사전 학습된 CNN을 평가한다.
• 잘못된 샘플 제거, 크기 조정, 재스케일링, 증강을 포함한 일관된 학습 구성으로 모델에 적용한다.
• 정확도, 정밀도, 재현율, F1-스코어를 사용하여 클래스 구분 능력을 비교한다.

실험 결과

연구 질문

• RQ1 선정된 데이터세트에서 케라토콘우스 탐지에 가장 높은 정확도를 제공하는 사전 학습된 CNN 아키텍처는 무엇인가?
• RQ2 불확실한/의심스러운 사례가 명확한 keratoconus 또는 normal 사례에 비해 다른 모델에서 어떻게 성능이 나타나는가?
• RQ3 자동화된 케라토콘우스 진단을 위한 대중적인 CNN 백본의 상대적 강점과 약점은 무엇인가?

주요 결과

• MobileNetV2는 몇 번의 오분류로 제한되며 케라토콘우스 및 정상 케이스 식별에서 최고의 정확도를 달성한다.
• InceptionV3 및 DenseNet121은 케라토콘우스 탐지에 대해 잘 수행하지만 의심스러운 사례에서 어려움을 보인다.
• EfficientNetB0, ResNet50, 및 VGG19는 수상한/의심스러운 케이스를 일반 케이스와 구분하는 데 더 어려움을 겪으며, 개선이 필요함을 시사한다.
• 본 연구는 자동 케라토콘우스 식별을 위한 최첨단 CNN 아키텍처들 간의 이익과 약점이 다양하다고 강조한다.