[논문 리뷰] Diabetic Retinopathy Detection via Deep Convolutional Networks for Discriminative Localization and Visual Explanation

Zhiguang Wang, Jianbo Yang|arXiv (Cornell University)|2017. 03. 31.

Retinal Imaging and Analysis참고 문헌 20인용 수 95

한 줄 요약

CNN 기반 DR 탐지 모델은 global average pooling과 RAM (Regression Activation Maps)을 사용하여 특징 영역의 로컬라이제이션 및 시각적 설명을 제공하고, 매개변수가 더 적은 모델로도 경쟁력 있는 성능을 달성합니다.

ABSTRACT

We proposed a deep learning method for interpretable diabetic retinopathy (DR) detection. The visual-interpretable feature of the proposed method is achieved by adding the regression activation map (RAM) after the global averaging pooling layer of the convolutional networks (CNN). With RAM, the proposed model can localize the discriminative regions of an retina image to show the specific region of interest in terms of its severity level. We believe this advantage of the proposed deep learning model is highly desired for DR detection because in practice, users are not only interested with high prediction performance, but also keen to understand the insights of DR detection and why the adopted learning model works. In the experiments conducted on a large scale of retina image dataset, we show that the proposed CNN model can achieve high performance on DR detection compared with the state-of-the-art while achieving the merits of providing the RAM to highlight the salient regions of the input image.

연구 동기 및 목표

• 해로운 예측 성능에 국한되지 않고 해석 가능한 자동 DR 탐지의 동기를 제시한다.
• 시각적 설명이 가능한 매개변수를 줄인 CNN 아키텍처를 개발한다.
• RAM을 통해 DR 심각도에 기여하는 판별 가능한 망막 영역을 로컬라이즈한다.
• 큰 Kaggle DR 데이터셋에서 평가하고 최신 벤치마크와 비교한다.

제안 방법

• 마지막 컨볼루션 층과 출력 사이를 GLOBAL AVERAGE POOLING으로 연결하고 완전 연결층(Fully Connected)을 사용하지 않는다.
• 마지막 층 피처 맵의 가중 합으로 RAM을 도입하여 예측 영역을 로컬라이즈한다.
• DR 심각도 점수의 회귀에 대해 평균제곱오차(Mean Squared Error) 손실 하에 네트워크를 학습한다.
• 다중 입력 해상도에서 RAM을 생성하고 이를 융합하여 로컬라이제이션을 개선한다.
• Kaggle 벤치마크 방법과 성능을 비교하고 매개변수 수 및 학습 시간 등을 보고한다.

실험 결과

연구 질문

• RQ1 RAM이 DR 심각도 예측에 대해 의미 있는 시각적 설명을 제공하는가?
• RQ2 GAP를 사용하여 완전 연결층을 제거해도 매개변수 수를 줄이면서 예측 성능을 보존하는가?
• RQ3 다중 입력 해상도에서 RAM을 융합하면 로컬라이제이션과 정확도가 개선되는가?

주요 결과

• RAM은 DR 심각도 수준에 대응하는 판별 가능한 망막 영역의 로컬라이제이션을 가능하게 한다.
• 제안된 접근법은 벤치마크와 비교해 경쟁력 있는 Kappa 점수를 달성하면서 매개변수를 약 22% 줄인다.
• 더 큰 입력 이미지 크기는 512 픽셀까지 예측 성능을 향상시키지만 그 이후에는 큰 이득이 크지 않다.
• 128 및 256 픽셀 입력에서 RAM을 융합하면 더 포괄적인 ROIs를 얻고 병리와의 정합성이 향상된다.
• RAM 시각화는 임상적으로 관련된 특징(예: 미세동맥류, 혈관 변화)을 드러내고 모델 의사결정에 대한 투명한 근거를 제공한다.