[논문 리뷰] Comparisonal study of Deep Learning approaches on Retinal OCT Image

Nowshin Tasnim, Mahmudul Hasan외 1명|arXiv (Cornell University)|2019. 12. 16.

Retinal Imaging and Analysis참고 문헌 16인용 수 5

한 줄 요약

이 연구는 다양한 크기의 광학 간섭 단층촬영(OCT) 영상에서 망막 질환(CNV, DME, Drusen, 정상)을 자동으로 진단하기 위해 딥러닝 모델 네 종류—Vanilla CNN, Xception, ResNet50, MobileNetV2—을 평가한다. 84,452개의 OCT 스캔에서 전이 학습과 엔드 투 엔드 학습을 통해 수행된 실험에서 MobileNetV2가 99.17%의 최고 테스트 정확도를 기록하며 최신 기술 수준을 초월했다.

ABSTRACT

In medical science, the use of computer science in disease detection and diagnosis is gaining popularity. Previously, the detection of disease used to take a significant amount of time and was less reliable. Machine learning (ML) techniques employed in recent biomedical researches are making revolutionary changes by gaining higher accuracy with more concise timing. At present, it is even possible to automatically detect diseases from the scanned images with the help of ML. In this research, we have taken such an attempt to detect retinal diseases from optical coherence tomography (OCT) X-ray images. Here, we propose a deep learning (DL) based approach in detecting retinal diseases from OCT images which can identify three conditions of the retina. Four different models used in this approach are compared with each other. On the test set, the detection accuracy is 98.00\% for a vanilla convolutional neural network (CNN) model, 99.07\% for Xception model, 97.00\% for ResNet50 model, and 99.17\% for MobileNetV2 model. The MobileNetV2 model acquires the highest accuracy, and the closest to the highest is the Xception model. The proposed approach has a potential impact on creating a tool for automatically detecting retinal diseases.

연구 동기 및 목표

• 딥러닝을 활용해 OCT 영상에서 망막 질환을 자동으로 정확하게 진단할 수 있는 방법을 개발한다.
• Vanilla CNN, Xception, ResNet50, MobileNetV2의 네 가지 사전 훈련된 컨volutional 네트워크 아키텍처가 다양한 크기의 OCT 영상에서 어떻게 성능을 내는지 평가하고 비교한다.
• 이미지 전처리나 수작업 특징 추출 없이도 전이 학습을 통해 높은 진단 정확도를 달성할 수 있음을 입증한다.
• CNV, DME, Drusen 등의 망막 질환 조기 진단을 위한 강력하고 확장 가능한 도구를 제공한다.
• 불균형한 클래스 분포와 다양한 이미지 크기를 한 번의 훈련 프레임워크에서 처리함으로써 향후 연구를 위한 기준을 설정한다.

제안 방법

• Vanilla CNN, Xception, ResNet50, MobileNetV2의 네 가지 사전 훈련된 딥 네트워크 아키텍처를 사용하여 망막 OCT 영상의 다중 분류 작업을 위해 미세조정(fine-tuned)하였다.
• 데이터셋은 총 84,452장의 OCT 영상으로 구성되었으며, 네 가지 클래스로 나뉘어져 있다: CNV(44.57%), DME(13.59%), Drusen(10.32%), 정상(31.52%), 입력 크기가 다양하였다.
• 모든 모델의 입력 표준화를 위해 전처리 단계에서 영상 크기를 고정 해상도로 조정하였으며, 추가적인 이미지 강화나 세분화 기법은 적용하지 않았다.
• 모델은 배치 크기가 32인 확률적 경사 하강법을 사용해 15 에포크 동안 훈련되었으며, 일반화 성능 향상을 위해 데이터 증강 기법을 적용하였다.
• 성능 평가 지표로는 테스트 세트에서의 정확도, 정밀도, 민감도(recall), F1-스코어를 사용하여 편향 없는 성능 평가를 확보하였다.
• 외부 이미지 처리나 수작업 특징 추출을 사용하지 않았으며, 모델들은 원시 OCT 영상에서 직접 특징을 학습하였다.

실험 결과

연구 질문

• RQ1 어느 딥러닝 아키텍처가 CNV, DME, Drusen, 정상으로 분류하는 망막 OCT 영상에서 가장 높은 정확도를 달성하는가?
• RQ2 고정 크기 전처리와 비교해 다양한 크기의 OCT 영상에서 훈련할 경우 모델 성능에 어떤 영향을 미치는가?
• RQ3 사전 훈련된 모델을 사용한 전이 학습이 광범위한 데이터 전처리 없이도 망막 질환 진단에서 뛰어난 성능을 낼 수 있는가?
• RQ4 정밀도, 민감도, F1-스코어 등의 성능 지표가 불균형한 데이터셋에서 서로 다른 모델 간에 어떻게 비교되는가?
• RQ5 MobileNetV2나 Xception 등의 경량 모델이 ResNet50나 Vanilla CNN과 같은 깊은 아키텍처보다 유사하거나 더 뛰어난 성능을 낼 수 있는가?

주요 결과

• MobileNetV2가 99.17%의 최고 테스트 정확도를 기록하여 연구에서 평가된 모든 다른 모델을 앞서며 최고의 성능을 보였다.
• Xception 모델은 99.07%의 테스트 정확도를 기록하여 두 번째로 높은 성능을 보였으며, 높은 정밀도와 민감도를 확보하였다.
• Vanilla CNN는 98.00%의 테스트 정확도를 기록하여 더 단순한 아키텍처임에도 불구하고 안정적인 성능을 보였다.
• ResNet50는 97.00%의 테스트 정확도를 기록하여 MobileNetV2와 Xception에 비해 성능이 떨어졌으며, 이 데이터셋에 대해 최적화되지 않은 것으로 나타났다.
• 모든 모델에서 높은 F1-스코어(모든 클래스에서 MobileNetV2와 Xception는 0.99)를 기록하여 정밀도와 재현율 사이의 균형이 잘 맞춰진 것으로 나타났다.
• 훈련 및 검증 정확도 곡선을 분석한 결과, MobileNetV2와 Xception는 빠르게 높은 성능에 도달하고 안정화되는 경향을 보였으며, 이는 빠른 수렴과 뛰어난 안정성을 의미한다.