[논문 리뷰] Deep Learning on Retina Images as Screening Tool for Diagnostic Decision Support

Maria Camila Alvarez Trivino, Jeremie Despraz외 2명|arXiv (Cornell University)|2018. 07. 24.

Retinal Imaging and Analysis인용 수 6

한 줄 요약

이 연구는 EyePACS 데이터셋에서 사전 처리된 이미지를 활용하여 망막 영상에서 당뇨성 망막병증을 탐지하기 위해 컨volutional 신경망(CNN)을 사용하는 딥러닝 시스템을 개발한다. 모델은 테스트 데이터에서 전문의 진단과 76.73%의 일치율을 기록하여 진단 의사결정 지원을 위한 걸러내기 도구로서의 잠재력을 보여준다.

ABSTRACT

In this project, we developed a deep learning system applied to human retina images for medical diagnostic decision support. The retina images were provided by EyePACS. These images were used in the framework of a Kaggle contest, whose purpose to identify diabetic retinopathy signs through an automatic detection system. Using as inspiration one of the solutions proposed in the contest, we implemented a model that successfully detects diabetic retinopathy from retina images. After a carefully designed preprocessing, the images were used as input to a deep convolutional neural network (CNN). The CNN performed a feature extraction process followed by a classification stage, which allowed the system to differentiate between healthy and ill patients using five categories. Our model was able to identify diabetic retinopathy in the patients with an agreement rate of 76.73% with respect to the medical expert's labels for the test data.

연구 동기 및 목표

• 망막 영상에서 당뇨성 망막병증을 자동으로 탐지하기 위한 딥러닝 기반 시스템을 개발하는 것.
• 진단 의사결정 지원을 위한 망막 영상에서 CNN 모델의 성능을 평가하는 것.
• 인공지능을 활용하여 조기 당뇨성 망막병증 걸러내기의 접근성을 향상시키는 것.
• 전이 학습 접근법을 통해 의료 전문가 레이블과 높은 일치율을 달성하는 것.

제안 방법

• 모델는 사전 처리된 망막 영상에서 특징을 추출하기 위해 깊이 있는 컨volutional 신경망(CNN)을 사용한다.
• 이미지는 EyePACS 데이터셋에서 확보되었으며, 망막병증 탐지 목적의 캐글 경쟁 맥락에서 사용되었다.
• CNN에 입력하기 전에 이미지 품질과 일관성을 향상시키기 위해 철저히 설계된 사전 처리 파이프라인이 구축되었다.
• CNN은 무임, 경도, 중등도, 중증, 증식성 망막병증의 다섯 단계로 분류한다.
• 시스템은 의료 전문가가 제공한 레이블을 가진 테스트 세트를 사용하여 훈련 및 평가되었다.
• 모델 성능은 전문가가 레이블링한 결과와의 일치율로 측정되었다.

실험 결과

연구 질문

• RQ1 딥러닝 모델은 망막 영상에서 당뇨성 망막병증을 탐지할 때 전문의와 높은 일치율을 달성할 수 있는가?
• RQ2 CNN 기반 접근법은 망막 영상에서 당뇨성 망막병증의 여러 단계를 분류하는 데 얼마나 효과적인가?
• RQ3 사전 처리가 망막 영상 걸러내기에서 딥러닝 시스템의 성능 향상에 얼마나 기여하는가?
• RQ4 전이 학습 기반 모델은 임상 의사결정 지원에서 신뢰할 수 있는 걸러내기 도구로 기능할 수 있는가?

주요 결과

• 딥러닝 모델은 테스트 세트에서 의료 전문가 레이블과 76.73%의 일치율을 기록하여 강력한 진단 일致성을 보였다.
• 시스템은 무병에서 증식성 망막병증에 이르기까지 다섯 단계의 당뇨성 망막병증을 성공적으로 구분했다.
• 사전 처리 과정은 이미지 품질 향상과 모델 일반화 능력 향상에 핵심적인 역할을 하였다.
• 공개된 망막 영상 자료를 활용하여 당뇨성 망막병증 걸러내기 도구로서의 모델의 실현 가능성을 입증하였다.