[논문 리뷰] Deep Learning based Framework for Automatic Diagnosis of Glaucoma based on analysis of Focal Notching in the Optic Nerve Head

Sneha Dasgupta, Rishav Mukherjee외 2명|arXiv (Cornell University)|2021. 12. 10.

Retinal Imaging and Analysis인용 수 4

한 줄 요약

이 논문은 망막 도말 사진을 사용한 자동 논란 진단을 위한 딥러닝 프레임워크를 제안한다. 다중 클래스 U-Net을 활용한 시신경판 및 시신경판 충격부 분할과 CDR 및 집중적 불규칙성 특징을 기반으로 한 SVM 기반 분류를 결합한다. 이 방법은 DRISHTI-GS 데이터셋에서 93.33%의 정확도를 달성하였으며, CDR만으로는 한계가 있는 경우를 보완하기 위해 ISNT 규칙 기반 망막신경 레이어 두께 분석을 통합함으로써 진단 성능을 향상시켰다.

ABSTRACT

Automatic evaluation of the retinal fundus image is emerging as one of the most important tools for early detection and treatment of progressive eye diseases like Glaucoma. Glaucoma results to a progressive degeneration of vision and is characterized by the deformation of the shape of optic cup and the degeneration of the blood vessels resulting in the formation of a notch along the neuroretinal rim. In this paper, we propose a deep learning-based pipeline for automatic segmentation of optic disc (OD) and optic cup (OC) regions from Digital Fundus Images (DFIs), thereby extracting distinct features necessary for prediction of Glaucoma. This methodology has utilized focal notch analysis of neuroretinal rim along with cup-to-disc ratio values as classifying parameters to enhance the accuracy of Computer-aided design (CAD) systems in analyzing glaucoma. Support Vector-based Machine Learning algorithm is used for classification, which classifies DFIs as Glaucomatous or Normal based on the extracted features. The proposed pipeline was evaluated on the freely available DRISHTI-GS dataset with a resultant accuracy of 93.33% for detecting Glaucoma from DFIs.

연구 동기 및 목표

• 딥러닝을 활용한 망막 도말 사진 분석 자동화를 통해 논란의 조기 진단을 향상시키기 위해.
• 해부학적 변이로 인해 자연스럽게 큰 시신경판 충격비(CDR)를 가진 경우 CDR의 한계를 보완하기 위해 집중적 불규칙성 및 ISNT 규칙 기반 망막신경 레이어 두께 분석을 통합하기 위해.
• 임상적으로 유의미한 특징을 추출하기 위해 시신경판 및 시신경판 충격부를 동시에 분할하는 통합 분할 파이프라인을 개발하기 위해.
• 형태학적 특징과 기계학습 분류를 융합하여 컴퓨터 지원 진단(CAD) 시스템의 정확도를 향상시키기 위해.
• 재현성과 기준 설정을 위해 공개된 데이터셋(DRISHTI-GS)에서 프레임워크를 검증하기 위해.

제안 방법

• 망막 도말 사진에서 시신경판(OD) 및 시신경판 충격부(OC) 영역의 의미적 분할을 위해 인코더-디코더 구조를 가진 다중 클래스 U-Net 아키텍처를 사용한다.
• 모델은 리사이징된 256×256 픽셀 이미지에서 이진 교차 엔트로피 손실 함수를 사용하여 Adam 옵timizer로 훈련된다.
• 집중적 불규칙성 특징은 네 가지 ISNT 영역(Inferior, Superior, Nasal, Temporal)에서 망막신경 레이어 두께를 분석하여 논란을 암시하는 비대칭성을 탐지하기 위해 추출된다.
• 여덟 가지 정량적 특징이 추출된다: 면적 CDR, 지름 CDR, 충격부 지름, S-거리, I-거리, 시신경판 지름, 충격부 면적, 시신경판 면적.
• 추출된 특징을 사용하여 정상 및 논란성 사례를 구분하기 위해 지지벡터기계(SVM)가 분류기로 사용된다.
• 과적합 방지를 위해 데이터 증강 및 검증 세트 모니터링 기법이 훈련 중 적용된다.

실험 결과

연구 질문

• RQ1 딥러닝 기반 분할 모델이 망막 도말 사진에서 시신경판 및 시신경판 충격부를 동시에 고정밀도로 분할할 수 있는가?
• RQ2 ISNT 규칙 기반의 집중적 불규칙성 특징을 도입함으로써 CDR만으로는 한계가 있는 경우에 논란 분류 정확도를 향상시킬 수 있는가?
• RQ3 U-Net 분할과 SVM 분류를 융합한 하이브리드 파이프라인은 기존의 CAD 시스템보다 논란 검출 성능을 뛰어나게 할 수 있는가?
• RQ4 제안된 방법은 DRISHTI-GS 데이터셋에서 분할 및 분류 지표 측면에서 어떻게 성능을 발휘하는가?
• RQ5 면적 충격부 지름 및 레이어 두께와 같은 형태학적 특징이 정상 눈과 논란성 눈을 구분하는 데 얼마나 기여하는가?

주요 결과

• 제안된 다중 클래스 U-Net은 DRISHTI-GS 테스트 세트에서 시신경판 분할에 대해 99.697% 정확도, 98.103% 재현율, 92.654% 정밀도를 달성하였다.
• 시신경판 충격부 분할의 경우, 모델은 99.513% 정확도, 91.459% 재현율, 89.498% 정밀도를 기록하여 높은 분할 정밀도를 입증하였다.
• SVM 기반 분류 모델은 테스트 데이터셋에서 총 93.33%의 정확도, 90.9% 민감도, 94.73% 특이도를 달성하였다.
• ISNT 규칙 기반의 불규칙성 특징 통합은 특히 해부학적 변이로 인해 기저선 CDR가 높은 경우 분류의 강건성을 크게 향상시켰다.
• 시신경판 충격부 분할의 F1-스코어는 0.89728로 정밀도와 재현율 사이의 균형이 잘 맞아 있는 것을 나타내었다.
• 혼동 행렬은 낮은 거짓 양성률(1/19)과 낮은 거짓 음성률(1/11)을 확인하여 임상적 의사결정 지원의 신뢰성을 뒷받침하였다.