[논문 리뷰] DFUNet: Convolutional Neural Networks for Diabetic Foot Ulcer Classification

Manu S. Goyal, Neil D. Reeves외 4명|arXiv (Cornell University)|2017. 11. 28.

Diabetic Foot Ulcer Assessment and Management인용 수 4

한 줄 요약

이 논문은 다이어티케스 풋 엽기(Diabetic Foot Ulcer, DFU) 분류를 위한 자동화된 솔루션을 목적으로 하는 경량 컨볼루션 신경망인 DFUNet을 제안한다. 더 큰 필터 크기를 활용한 고유한 아키텍처를 통해 특징 추출 능력을 향상시켜, 10겹 교차검증을 통해 AUC 0.961을 달성하였으며, 기존의 전통적 기계학습 및 GoogLeNet, AlexNet과 같은 기존 CNN 모델보다 민감도와 정확도에서 뛰어난 성능을 보였다.

ABSTRACT

Globally, in 2016, one out of eleven adults suffered from Diabetes Mellitus. Diabetic Foot Ulcers (DFU) are a major complication of this disease, which if not managed properly can lead to amputation. Current clinical approaches to DFU treatment rely on patient and clinician vigilance, which has significant limitations such as the high cost involved in the diagnosis, treatment and lengthy care of the DFU. We collected an extensive dataset of foot images, which contain DFU from different patients. In this paper, we have proposed the use of traditional computer vision features for detecting foot ulcers among diabetic patients, which represent a cost-effective, remote and convenient healthcare solution. Furthermore, we used Convolutional Neural Networks (CNNs) for the first time in DFU classification. We have proposed a novel convolutional neural network architecture, DFUNet, with better feature extraction to identify the feature differences between healthy skin and the DFU. Using 10-fold cross-validation, DFUNet achieved an AUC score of 0.962. This outperformed both the machine learning and deep learning classifiers we have tested. Here we present the development of a novel and highly sensitive DFUNet for objectively detecting the presence of DFUs. This novel approach has the potential to deliver a paradigm shift in diabetic foot care.

연구 동기 및 목표

• 컴퓨터 비전 기반으로 조기에 진단 가능한 자동화되고 비용 효율적이며 원격 진료가 가능한 다이어티케스 풋 엽기(DFU) 진단 솔루션 개발.
• 현재 임상적 접근 방식의 한계, 즉 높은 비용, 전문의사 의존성, 진단 지연 문제를 해결하기 위해.
• 다양한 촬영 조건에서도 건강한 피부와 DFU를 구분할 수 있도록 최적화된 새로운 딥러닝 아키텍처인 DFUNet 설계.
• 이질적인 데이터셋, 특히 스마트폰으로 촬영한 이미지와 얼굴 피부 패치를 포함한 데이터셋에서 DFUNet의 강인성 평가.
• 향후 자동 엽기 세그멘테이션, 다중 병변 분류, 모바일 헬스 도구 등에 응용할 수 있는 기반 마련.

제안 방법

• 더 깊고 넓은 병렬 컨볼루션 레이어를 사용하며 더 큰 필터 크기를 적용해 DFU와 건강한 피부 간 분류를 위한 특징 추출 능력을 향상시킨 새로운 CNN 아키텍처인 DFUNet을 제안.
• 표준 조건에서 촬영한 전문가가 주석 처리한 대규모 발 이미지 데이터셋을 사용해 DFUNet을 훈련 및 평가.
• 성능 추정의 강인성 확보와 과적합 방지를 위해 10겹 교차검증을 적용.
• 실제 환경 조건을 시뮬레이션하기 위해 FootSnap 애플리케이션을 통해 아이패드 카메라로 촬영한 이질적인 데이터셋을 활용해 일반화 성능 테스트.
• DFU 분류 외의 응용 가능성 평가를 위해 3클래스 얼굴 피부 패치 데이터셋(정상, 반점, 주름)에 대한 평가를 추가로 수행.
• 기존의 확립된 모델(GoogLeNet, AlexNet)과 전통적 기계학습 방법을 표준 지표(AUC, 민감도, 특이도, 정밀도, F-measure, MCC)를 사용해 비교 분석.

실험 결과

연구 질문

• RQ1 특수 설계된 CNN 아키텍처가 임상 영상에서 건강한 발 피부와 대비해 다이어티케스 풋 엽기를 분류하는 데 기존 딥러닝 모델보다 뛰어난 성능을 보일 수 있는가?
• RQ2 스마트폰과 같은 다양한 기기로 촬영한 이질적인 이미지 데이터셋에서, 표준 DSLR 이미지 대비 DFUNet의 성능은 어떠한가?
• RQ3 DFUNet이 정상 피부, 반점, 주름 등을 구분하는 다른 피부 병변 분류 과제로까지 일반화될 수 있는가?
• RQ4 특히 더 큰 필터 크기와 감소된 깊이와 같은 아키텍처 설계 선택이 분류 성능과 추론 속도에 미치는 영향는 어떠한가?
• RQ5 저자원 환경에서도 높은 민감도와 특이도를 달성할 수 있는가? 이를 통해 원격 및 확장 가능한 DFU 스크리닝이 가능할 수 있는가?

주요 결과

• DFUNet은 10겹 교차검증을 통해 주된 데이터셋에서 AUC 0.961을 기록하여 기존의 전통적 기계학습 및 딥러닝 기반 모델보다 유의미하게 뛰어난 성능을 보였다.
• 아이패드 카메라로 촬영한 이질적 테스트 세트에서 DFUNet은 민감도 0.929, 특이도 0.908, 정밀도 0.942, F-measure 0.931, AUC 0.950의 성능을 달성했다.
• 3클래스 얼굴 피부 분류 과제에서 DFUNet은 GoogLeNet보다 민감도 0.867 대 0.783, 특이도 0.930 대 0.882, F-measure 0.867 대 0.784로 뛰어난 성능을 보였다.
• 조명 조건과 기기 종류의 변화에 대해 높은 강인성을 보이며, 강력한 일반화 잠재력을 나타냈다.
• 더 적은 레이어와 경량 설계임에도 불구하고, GoogLeNet, AlexNet과 같은 깊은 모델보다 높은 민감도와 특이도를 달성했다.
• 오분류의 주요 원인은 소형 엽기 및 고적색 또는 주름진 피부 부위였으며, 향후 아키텍처 개선의 초점이 될 영역으로 지목되었다.