[논문 리뷰] Enhanced Optic Disk and Cup Segmentation with Glaucoma Screening from Fundus Images using Position encoded CNNs

Vismay Agrawal, Avinash Kori외 2명|arXiv (Cornell University)|2018. 09. 14.

Retinal Imaging and Analysis참고 문헌 4인용 수 11

한 줄 요약

이 논문은 망막 영상에서 망막신경절 및 망막신경절구멍의 분할을 위해 위치 인코딩된 CNN을 조합한 앙상블 딥 러닝 프레임워크를 제안한다. 이는 사전 훈련된 DenseNet201과 ResNet18을 사용한 분류를 이어받는다. 방법은 REFUGE 검증 세트에서 망막신경절에 대해 0.88의 Dice 스코어와 망막신경절구멍에 대해 0.64의 스코어를 기록하였으며, 공간 좌표와 다중 파rameter CLAHE를 통해 국소화 및 일반화 능력이 향상됨을 보여준다.

ABSTRACT

In this manuscript, we present a robust method for glaucoma screening from fundus images using an ensemble of convolutional neural networks (CNNs). The pipeline comprises of first segmenting the optic disk and optic cup from the fundus image, then extracting a patch centered around the optic disk and subsequently feeding to the classification network to differentiate the image as diseased or healthy. In the segmentation network, apart from the image, we make use of spatial co-ordinate (X \& Y) space so as to learn the structure of interest better. The classification network is composed of a DenseNet201 and a ResNet18 which were pre-trained on a large cohort of natural images. On the REFUGE validation data (n=400), the segmentation network achieved a dice score of 0.88 and 0.64 for optic disc and optic cup respectively. For the tasking differentiating images affected with glaucoma from healthy images, the area under the ROC curve was observed to be 0.85.

연구 동기 및 목표

• 딥 러닝을 활용한 망막신경절 및 망막신경절구멍 분할을 통합함으로써 간질성 검사 정확도를 향상시키기.
• 추가 입력 채널로 공간 좌표 정보(X, Y)를 통합하여 분할의 구조적 국소화를 향상시키기.
• 사전 훈련된 모델( DenseNet201 및 ResNet18)의 앙상블을 활용하여 예측의 변동성을 줄이고 강건성을 향상시키기.
• 가중치가 부여된 교차 엔트로피와 다중 파rameter CLAHE 증강을 통해 데이터셋 간 클래스 불균형과 도메인 이동 문제를 해결하기.
• 공간 인코딩과 다중 척도 히스토GRAM 등화의 분할 및 분류 성능에 미치는 영향을 평가하기.

제안 방법

• 분할 네트워크는 장거리 및 단거리 스케일 연결을 가진 57층의 밀집 연결 CNN을 사용하며, 구조적 국소화를 향상시키기 위해 공간 좌표 맵(X, Y)을 증강한 망막 영상으로 훈련된다.
• 두 개의 분할 모델을 앙상블로 사용한다: 하나는 원본 RGB + 좌표 맵(5채널), 다른 하나는 두 개의 CLAHE 향상 영상이 추가된(11채널) 것으로, 조명 변화에 대한 강건성을 향상시킨다.
• 분류 파이프라인은 분할 출력을 기반으로 망막신경절 중심의 550×550 패치를 추출하고, 이를 사전 훈련된 DenseNet201 및 ResNet18 모델의 앙상블에 입력한다.
• 분류 네트워크의 입력은 원본 이미지와 여섯 가지 다른 타일 크기와 클립 한계를 사용한 CLAHE 향상 영상 6종으로 구성되며, 이로 인해 기능 다양성이 향상된 21채널 입력이 된다.
• 간질성과 건강한 경우 간의 클래스 불균형 문제를 완화하기 위해 클래스 균형 가중치를 적용한 가중치가 부여된 교차 엔트로피 손실 함수를 훈련 시 사용한다.
• 추론 단계에서는 패치에서 10개의 500×500 컷을 추출하고, 최종 간질성 확률은 앙상블 모델 예측의 평균으로 계산된다.

실험 결과

연구 질문

• RQ1 CNN 입력에 공간 좌표 정보(X, Y)를 통합하면 망막 영상에서 망막신경절 및 망막신경절구멍 분할의 정확도가 향상되는가?
• RQ2 사전 훈련된 모델( DenseNet201 및 ResNet18)의 앙상블은 분할된 망막신경절 패치에서 간질성 검출에 대해 단일 모델 분류보다 우수한 성능을 낼 수 있는가?
• RQ3 다중 파rameter CLAHE 증강은 다양한 조명 및 대trast 조건을 가진 다양한 망막 영상 데이터셋 간의 일반화 능력에 어떤 영향을 미치는가?
• RQ4 모든 모델을 사용하는 것에 비해 앙상블의 선택적 프루닝이 성능 향상에 얼마나 기여하는가?
• RQ5 공간 좌표와 다중 척도 CLAHE의 사용이 망막신경절 및 망막신경절구멍과 같은 임상적으로 중요한 영역에 집중하는 네트워크의 능력을 향상시키는가?

주요 결과

• 분할 네트워크는 REFUGE 오프라인 검증 세트(n=400)에서 망막신경절에 대해 0.88의 Dice 스코어, 망막신경절구멍에 대해 0.64의 스코어를 기록하여 강력한 구조적 국소화 능력을 보였다.
• 분류 네트워크는 같은 검증 세트에서 ROC 곡선 아래 면적(AUC)이 0.856이었으며, 특이도 0.85일 때 민감도가 0.75였다.
• 입력층에 공간 좌표 맵을 통합함으로써 망막신경절 및 망막신경절구멍의 국소화가 뚜렷하게 향상되었으며, 이는 이 지역에 집중하는 활성화 맵을 통해 확인되었다.
• 여섯 가지 다른 설정을 사용한 다중 파rameter CLAHE(6가지 구성)는 단일 CLAHE 설정을 사용하는 것보다 데이터셋 간 일반화 능력을 향상시켰다.
• 앙상블 학습은 예측의 변동성을 줄였고 성능을 향상시켰으며, 앙상블의 선택적 프루닝은 모든 모델을 사용하는 것보다 더 높은 정확도를 달성했다.
• 첫 번째 합성곱층의 활성화 맵은 네트워크가 망막신경절, 망막신경절구멍 및 배경에 주의를 기울였음을 확인했으며, 임상적 관련성과 일치했다.