[논문 리뷰] Deep Learning based Early Detection and Grading of Diabetic Retinopathy Using Retinal Fundus Images

Sheikh Muhammad Saiful Islam, Md Mahedi Hasan외 1명|arXiv (Cornell University)|2018. 12. 27.

Retinal Imaging and Analysis인용 수 72

한 줄 요약

CNN 기반 모델로 retinal fundus 이미지에서 당뇨망막병증의 초기 단계 탐지 및 severity 등급 분류를 위한 최신(상태-오브-더-아트) 성능을 달성했으며 초기 탐지 민감도가 높습니다. Kaggle EyePACS에서 0.851 제곱 가중 카파 및 0.844 AUC를 평가했으며 초기 단계 탐지에서 98% 민감도를 보였습니다.

ABSTRACT

Diabetic Retinopathy (DR) is a constantly deteriorating disease, being one of the leading causes of vision impairment and blindness. Subtle distinction among different grades and existence of many significant small features make the task of recognition very challenging. In addition, the present approach of retinopathy detection is a very laborious and time-intensive task, which heavily relies on the skill of a physician. Automated detection of diabetic retinopathy is essential to tackle these problems. Early-stage detection of diabetic retinopathy is also very important for diagnosis, which can prevent blindness with proper treatment. In this paper, we developed a novel deep convolutional neural network, which performs the early-stage detection by identifying all microaneurysms (MAs), the first signs of DR, along with correctly assigning labels to retinal fundus images which are graded into five categories. We have tested our network on the largest publicly available Kaggle diabetic retinopathy dataset, and achieved 0.851 quadratic weighted kappa score and 0.844 AUC score, which achieves the state-of-the-art performance on severity grading. In the early-stage detection, we have achieved a sensitivity of 98% and specificity of above 94%, which demonstrates the effectiveness of our proposed method. Our proposed architecture is at the same time very simple and efficient with respect to computational time and space are concerned.

연구 동기 및 목표

• retinal fundus 이미지에서 microaneurysms 및 관련 특징을 식별하여 초기 단계의 DR을 자동으로 탐지하는 딥 러닝 모델 개발
• 회귀 기반 출력 및 평균 제곱 오차 목표를 사용하여 DR 심각도를 다섯 가지 범주로 등급화
• 데이터 전처리 및 광범위한 증강을 통해 데이터 불균형과 이미지 품질 변동에 대응하여 성능을 향상시키는 것

제안 방법

• 4x4 커널과 3x3 맥스풀링을 가진 18층 Deep CNN을 SGD 및 Nesterov 모멘텀으로 학습
• Graham의 가이드라인에 따라 조명 및 색상을 표준화하도록 이미지 전처리 후 회전, 뒤집기, 평행이동, 확대, 자르기, Krizhevsky 색상 증강을 이용한 증강 수행
• 두 개의 완전 연결층(각각 1024 유닛) 뒤에 단일 출력 뉴런; 회귀 프레이밍 및 평균 제곱 오차 손실; 손실은 0-4 범위로 클립
• 여러 증강 및 양쪽 눈에서 얻은 특징을 소형 완전 연결/맥스아웃 아키텍처를 사용해 특성 혼합 네트워크가 결합
• 학습은 직교 초기화, L2 정규화, 드롭아웃, 단계적 학습률을 사용; 블렌딩 네트워크는 Adam으로 학습
• EyePACS(Kaggle)에서 등급 분포 및 회귀 출력을 이산화하기 위한 임계값(0.5, 1.5, 2.5, 3.5)으로 평가

실험 결과

연구 질문

• RQ1 CNN이 마이크로혈관류 및 관련 징후를 식별하여 초기 DR를 높은 민감도와 특이도로 탐지할 수 있는가?
• RQ2 회귀 기반 CNN 프레임워크가 DR 심각도를 5개 범주로 등급화하는 데 얼마나 잘 작동하며, 카파와 AUC 같은 표준 지표와 비교하면 어떠한가?
• RQ3 데이터 전처리와 증강이 불균형한 DR 등급 분포에 대해 모델 일반화에 어떤 영향을 미치는가?
• RQ4 여러 증강 및 양쪽 눈의 특징 혼합이 심각도 등급화 성능을 향상시키는가?
• RQ5 EyePACS 데이터셋에서 강인한 DR 탐지 및 등급화를 위한 최적의 학습 하이퍼파라미터와 아키텍처 선택은 무엇인가?

주요 결과

• 초기 단계 탐지에서 98% 민감도와 >94% 특이도 달성
• Kaggle EyePACS 테스트 세트에서 심각도 등급화에 대해 0.851 제곱 가중 카파 달성
• 등급화 성능에서 0.844 AUROC 및 0.743 F-점수 달성
• 0–4 등급을 위한 4x4 커널의 18층 CNN 및 회귀 기반 출력의 간단하고 효율적인 모델 사용
• 데이터 증강 및 전처리가 과적합을 방지하고 불균형 클래스를 처리하는 데 결정적 역할
• 다양한 증강 및 양쪽 눈의 특징 혼합이 성능 향상을 제공