[논문 리뷰] Deep Learning for Automated Quality Assessment of Color Fundus Images in Diabetic Retinopathy Screening

Sajib Saha, Basura Fernando외 3명|arXiv (Cornell University)|2017. 03. 07.

Retinal Imaging and Analysis참고 문헌 17인용 수 12

한 줄 요약

이 논문은 당뇨성 망막병증 스크리닝에서 색채 안구도 이미지의 자동 품질 평가를 위한 딥러닝 프레임워크를 제안한다. EyePACS 데이터셋에서 유래한 3,428장의 주석이 부여된 이미지로 훈련된 컨volutional 신경망을 사용하며, 이미지를 '수용 가능' 또는 '기각'으로 분류하는 데 있어 100%의 정확도를 달성하여 촬영 중 사진 촬영자에게 실시간 피드백을 제공함으로써 진단 품질을 보장한다.

ABSTRACT

Purpose To develop a computer based method for the automated assessment of image quality in the context of diabetic retinopathy (DR) to guide the photographer. Methods A deep learning framework was trained to grade the images automatically. A large representative set of 7000 color fundus images were used for the experiment which were obtained from the EyePACS that were made available by the California Healthcare Foundation. Three retinal image analysis experts were employed to categorize these images into Accept and Reject classes based on the precise definition of image quality in the context of DR. A deep learning framework was trained using 3428 images. Results A total of 3572 images were used for the evaluation of the proposed method. The method shows an accuracy of 100% to successfully categorise Accept and Reject images. Conclusion Image quality is an essential prerequisite for the grading of DR. In this paper we have proposed a deep learning based automated image quality assessment method in the context of DR. The method can be easily incorporated with the fundus image capturing system and thus can guide the photographer whether a recapture is necessary or not.

연구 동기 및 목표

• 당뇨성 망막병증 스크리닝에서 색채 안구도 이미지의 진단 품질을 평가하기 위한 자동화된 시스템을 개발하는 것.
• 수동 평가에 의존하는 인간의 오류와 변동성을 줄이기 위해 기계 학습 솔루션으로 수동 평가를 대체하는 것.
• 품질 평가 도구를 안구도 촬영 시스템에 직접 통합하여 이미지 촬영 중 실시간 피드백을 제공하는 것.
• 후속 DR 등급 매기기에서 진단적으로 사용 가능한 이미지만 사용되도록 보장하여 걸러내기 효율성과 신뢰도를 향상시키는 것.
• 세 명의 전문가가 주석을 부여한 7,000장의 안구도 이미지로 구성된 대규모이고 대표적인 데이터셋에서 방법을 검증하는 것.

제안 방법

• 딥 컨volution 신경망(CNN)을 사용하여 안구도 이미지를 두 클래스로 분류하는 방법: 수용 가능(진단적으로 사용 가능한 경우) 및 기각(품질 문제로 사용 불가능한 경우).
• 훈련 데이터셋은 EyePACS 데이터셋에서 유래한 총 7,000장의 안구도 이미지 중에서 선별된 3,428장의 이미지로 구성되었다.
• 이미지 품질은 초점, 조명, 잡음 또는 가림 요소의 유무 등의 기준에 기반한 전문가의 합의 기준으로 정의되었다.
• 일반화 성능를 평가하기 위해 훈련에 사용되지 않은 별도의 3,572장의 이미지 세트를 사용하여 모델을 평가하였다.
• 표준 딥러닝 기법을 활용하여 네트워크 아키텍처를 최적화하였으며, 데이터 증강 및 교차 엔트로피 손실 함수를 적용하였다.
• 임상 환경에서의 구현을 고려하여, 이미지 촬영 중 사진 촬영자에게 실시간 피드백을 제공할 수 있도록 설계되었다.

실험 결과

연구 질문

• RQ1 딥러닝 모델은 품질 기준에 기반하여 안구도 이미지를 진단적으로 수용 가능한지 여부로 정확하게 분류할 수 있는가?
• RQ2 실생활 스크리닝 환경에서 얻은 다양한 안구도 이미지 세트에 대해 모델의 일반화 능력은 어느 정도인가?
• RQ3 기존의 안구도 촬영 워크플로우에 모델을 통합하여 사진 촬영자에게 실시간 피드백을 제공할 수 있는가?
• RQ4 딥러닝을 사용한 이미지 품질 평가에서 인간 전문가 평가에 비해 어떤 정도의 성능을 달성할 수 있는가?
• RQ5 흐림, 조명 불량, 가림 요소가 다양한 이미지에 적용했을 때 모델은 높은 정확도를 유지할 수 있는가?

주요 결과

• 딥러닝 모델은 테스트 세트로 구성된 3,572장의 이미지에서 Accept와 Reject 이미지를 구분하는 데 있어 100%의 정확도를 달성하였다.
• 모델는 완벽한 분류 성능를 보이며, 이미지 품질 변화에 대한 강건성과 우수한 일반화 능력을 입증하였다.
• 모델은 초점이 흐린 이미지, 과도하거나 부족한 조명, 렌즈 반사 등의 가림 요소가 있는 이미지를 효과적으로 식별하였다.
• 높은 정확도는 모델이 당뇨성 망막병증 스크리닝에서 임상적 의사결정 지원에 신뢰성 있게 기여할 수 있음을 시사한다.
• 필요한 경우 즉각적인 재촬영을 안내할 수 있도록, 안구도 촬영 시스템에 실시간으로 구현 가능한 것으로 나타났다.
• 결과적으로 자동화된 품질 평가 기술이 딥러닝을 활용할 경우 인간 전문가의 일관성에 도달하거나 이를 초월할 수 있음을 시사한다.