[논문 리뷰] Early Detection of Retinopathy of Prematurity (ROP) in Retinal Fundus Images Via Convolutional Neural Networks

Xin Guo, Yusuke Kikuchi외 4명|arXiv (Cornell University)|2020. 06. 12.

Retinopathy of Prematurity Studies참고 문헌 12인용 수 5

한 줄 요약

이 연구는 망막 후면도 영상에서 조기 퇴행성 망막병증(Retinopathy of Prematurity, ROP)을 조기에 탐지할 수 있도록 컨볼루션 신경망(Convolutional Neural Networks, CNNs)을 사용하는 딥러닝 프레임워크를 제안한다. 불균형 데이터셋에서 더 깊은 잔차 네트워크(ROPResCNN)를 활용함으로써 모델은 100% 민감도, 96% 특이도, 96% 정밀도, 98% 정확도를 달성하였으며, 인간 전문가를 능가하고 민감도 관련 진단 오류를 완전히 제거하였다.

ABSTRACT

Retinopathy of prematurity (ROP) is an abnormal blood vessel development in the retina of a prematurely-born infant or an infant with low birth weight. ROP is one of the leading causes for infant blindness globally. Early detection of ROP is critical to slow down and avert the progression to vision impairment caused by ROP. Yet there is limited awareness of ROP even among medical professionals. Consequently, dataset for ROP is limited if ever available, and is in general extremely imbalanced in terms of the ratio between negative images and positive ones. In this study, we formulate the problem of detecting ROP in retinal fundus images in an optimization framework, and apply state-of-art convolutional neural network techniques to solve this problem. Experimental results based on our models achieve 100 percent sensitivity, 96 percent specificity, 98 percent accuracy, and 96 percent precision. In addition, our study shows that as the network gets deeper, more significant features can be extracted for better understanding of ROP.

연구 동기 및 목표

• 영아의 실명을 방지하기 위해 조기 ROP 검사를 수행할 긴급한 필요성을 해결하기 위해.
• 제한적이고 불균형한 ROP 데이터셋과 전문가의 부족함에 도전하기 위해.
• 망막 후면도 영상에서 ROP 진단을 위해 높은 민감도와 특이도를 달성하는 딥러닝 모델을 개발하기 위해.
• 인간 오류, 특히 가장 중요한 진단 지표인 민감도에서의 오류를 줄이기 위해 자동화되고 신뢰할 수 있는 ROP 스크리닝을 가능하게 하기 위해.
• 작은 불균형 데이터셋에서조차도 임상적으로 유의미한 특징을 학습할 수 있음을 보여주기 위해 깊이 있는 네트워크가 가능함을 입증하기 위해.

제안 방법

• 초기 모델 개발을 위해 얕은 CNN(ROPBaseCNN)을 사용하여 ROP 탐지를 최적화 문제로 수립하기 위해.
• 한 개의 소스(Data_0)와 다수의 소스(Data_1)에서 망막 후면도 영상을 수집하고 증강 처리하여 기밀 보장을 확보하고 윤리적 승인을 받기 위해.
• 기울기 소실/폭발 문제를 완화하고 과적합을 줄이기 위해 더 깊은 잔차 네트워크(ROPResCNN)를 설계하기 위해.
• 일반화 성능 향상과 과적합 감소를 위해 완전 연결층 대신 전역 평균 풀링을 사용하기 위해.
• 표준 딥러닝 학습 프rotocols를 적용: 배치 정규화, ReLU 활성화 함수, 데이터 증강을 통해 강건성을 향상시키기 위해.
• 보류된 테스트 세트에서 표준 지표인 정밀도, 민감도, 특이도, 정확도, F1 스코어를 사용하여 모델 평가하기 위해.

실험 결과

연구 질문

• RQ1 제한적이고 불균형한 데이터셋이 존재하는 상황에서 딥러닝 모델이 망막 후면도 영상에서 ROP를 탐지할 때 높은 민감도와 특이도를 달성할 수 있는가?
• RQ2 모델의 깊이(ROPBaseCNN 대비 ROPResCNN)가 ROP 탐지에서 성능과 특징 학습에 어떤 영향을 미치는가?
• RQ3 모델이 임상적으로 중요한 ROP 지표, 예를 들어 혈관-비혈관 경계에서 두꺼워진 경계선을 학습하고 포착할 수 있는가?
• RQ4 경험이 풍부한 비뇨기과 전문의와 비교할 때 모델은 진단 오류를 어느 정도 감소시키는가?
• RQ5 다양한 소스의 데이터를 사용할 경우 단일 소스 데이터에 비해 모델의 강건성과 일반화 능력이 향상되는가?

주요 결과

• ROPResCNN 기반 모델은 데이터_0와 데이터_1를 통합한 데이터셋에서 100% 민감도, 96% 특이도, 96% 정밀도, 98% 정확도를 달성하였다.
• 모델은 경험 많은 비뇨기과 전문가를 크게 앞서며 전체 진단 오류를 66% 이상 감소시켰다.
• 모델은 민감도 관련 오류를 완전히 제거하여 놓친 ROP 사례를 방지하는 데 핵심적인 역할을 하였다.
• ROPResCNN는 ROP의 잘 알려진 임상 지표인 혈관 영역과 비혈관 영역 사이의 두꺼워진 경계선을 성공적으로 학습하고 강조하였다.
• 얕은 모델(ROPBaseCNN)에 비해 더 깊은 네트워크(ROPResCNN)가 더 중요한 특징을 추출하여 진단 이해도를 향상시켰다.
• 데이터 불균형과 크기 제한에도 불구하고 모델은 여러 데이터 소스를 통해 잘 일반화되었으며, 강건성과 임상적 잠재력을 입증하였다.