[논문 리뷰] Deep Learning-Based Detection of Referable Diabetic Retinopathy and Macular Edema Using Ultra-Widefield Fundus Imaging

Philippe Zhang, Pierre-Henri Conze외 3명|arXiv (Cornell University)|2024. 09. 19.

Retinal Imaging and AnalysisMedicine인용 수 3

한 줄 요약

이 논문은 초광역(ultra-widefield, UWF) 망막 영상에서 진단 가능한 당뇨성 망막병증과 당뇨성 매크로아르 염증을 자동으로 진단하기 위해 EfficientNet과 ResNet 아키텍처를 활용한 딥러닝 프레임워크를 제안한다. 다수의 수준의 특징 추출과 테스트 시 증강 기법을 적용하였다. 최고의 모델은 MICCAI 2024 UWF4DR 챌린지 테스트 세트에서 AUROC 0.9820과 AUPRC 0.9699을 기록하여 임상 스크리닝 적용 분야에서 높은 정확도와 강건성을 입증하였다.

ABSTRACT

Diabetic retinopathy and diabetic macular edema are significant complications of diabetes that can lead to vision loss. Early detection through ultra-widefield fundus imaging enhances patient outcomes but presents challenges in image quality and analysis scale. This paper introduces deep learning solutions for automated UWF image analysis within the framework of the MICCAI 2024 UWF4DR challenge. We detail methods and results across three tasks: image quality assessment, detection of referable DR, and identification of DME. Employing advanced convolutional neural network architectures such as EfficientNet and ResNet, along with preprocessing and augmentation strategies, our models demonstrate robust performance in these tasks. Results indicate that deep learning can significantly aid in the automated analysis of UWF images, potentially improving the efficiency and accuracy of DR and DME detection in clinical settings.

연구 동기 및 목표

• 초광역(UWF) 망막 영상의 자동 분석을 위한 강건한 딥러닝 시스템을 개발하여 당뇨성 망막병증(DR)과 당뇨성 매크로아르 염증(DME)의 조기 진단을 향상시키기.
• 임상 환경에서의 확장 가능한, 전문가에 의존하지 않는 스크리닝을 위해 UWF 영상 품질의 변동성과 도전 과제를 해결하기.
• 전이 학습, 다수 수준의 특징 추출, 테스트 시 증강 기법을 활용하여 진단 정확도와 효율성을 향상시키기.
• 표준화된 기준을 사용하여 세 가지 과제—영상 품질 평가, 진단 가능한 DR 진단, DME 식별—에 대한 성능을 평가하기.
• 고감도와 고특이도를 균형 잡고, 잘못된 양성 반응을 최소화하면서 치료가 가능한 사례를 최대한으로 탐지할 수 있도록 임상적 구현을 지원하기.

제안 방법

• MICCAI 2024 UWF4DR 챌린지 데이터셋의 UWF 망막 영상에 대해 미세조정된 EfficientNet-B0와 ResNet-50 아키텍처를 사용하였다.
• 다수 수준의 특징 추출 전략을 Multi-Level EfficientNet-B0 모델에 적용하여 다양한 수용각 스케일에서의 계층적 패턴을 캡처하였다.
• 색상 변동성을 줄이고 무늬 특징를 향상시키기 위해 가우시안 블러링과 국소 평균 차감을 활용한 색상 정규화 파이프라인을 구현하였다.
• 일반화 능력 향상과 과적합 방지를 위해 무작위 수평 뒤집기, 회전, mixup 등의 데이터 증강 기법을 사용하였다.
• 모델의 강건성을 향상시키기 위해 테스트 시 증강(TTA)을 적용하여 각 테스트 이미지의 여러 증강된 버전을 생성하고 예측값을 평균화하였다.
• 초기 학습률이 1e-4인 Adam 옵timizer를 사용하고, 사전 학습된 ImageNet 가중치에서 전이 학습을 수행하며, 지수 감쇠 학습률 스케줄러를 적용하였다.

Figure 1: Samples from the quality assessment dataset: (A) good quality, (B) bad quality.

실험 결과

연구 질문

• RQ1 딥러닝 모델은 높은 감도와 특이도로 초광역 망막 영상에서 진단 가능한 당뇨성 망막병증을 효과적으로 탐지할 수 있는가?
• RQ2 테스트 시 증강 기법은 초광역 영상에서 DME 진단을 위한 딥러닝 모델의 강건성과 성능을 어떻게 향상시키는가?
• RQ3 표준 특징 추출 대비 다수 수준의 특징 추출은 DR과 DME에서 미세한 병적 징후를 탐지하는 데 얼마나 향상되는가?
• RQ4 사전 학습된 모델에서의 전이 학습은 제한된 의료 영상 데이터셋에서 초광역 망막 영상 분석에 있어 성능을 크게 향상시킬 수 있는가?
• RQ5 색상 정규화와 같은 전처리 기법은 다양한 초광역 영상 품질 조건에서 모델의 일반화 능력에 어떤 영향을 미치는가?

주요 결과

• 테스트 시 증강 기법을 적용한 Multi-Level EfficientNet-B0 모델이 DME 진단에서 최고의 AUROC(0.9820)와 AUPRC(0.9699)를 기록하여 다른 모델들을 압도하였다.
• 동일한 모델은 특이도 0.9577을 기록하여 높은 감도를 유지하면서도 잘못된 양성 반응을 효과적으로 줄이는 데 강력한 성능을 보였다.
• 표준 EfficientNet-B0 모델은 가장 높은 감도(0.9500)를 기록하여 대부분의 진짜 양성 DME 사례를 식별하는 데 뛰어난 능력을 보였다.
• 테스트 시 증강 기법을 적용하지 않은 Multi-Level EfficientNet-B0 모델은 검증 세트에서 완벽한 특이도 1.0000을 기록하여 잘못된 양성 반응을 배제하는 정밀도가 매우 우수하다는 점을 입증하였다.
• 진단 가능한 DR 진단 과제에서의 미세조정이 DME 진단 과제의 성능을 크게 향상시켰으며, 관련 병변 간 공유 특징의 유용성을 시사하였다.
• 다수 수준의 특징 추출과 TTA의 통합은 모델의 강건성과 일반화 능력을 향상시켜 임상적 구현 가능성에 강력한 잠재력을 보였다.

Figure 2: Preprocessing of images: (A) original image, (B) center-cropped image, (C) preprocessed image.