[논문 리뷰] Evaluation of Deep Segmentation Models for the Extraction of Retinal Lesions from Multi-modal Retinal Images

Taimur Hassan, Muhammad Usman Akram외 1명|arXiv (Cornell University)|2020. 06. 04.

Retinal Imaging and Analysis참고 문헌 20인용 수 4

한 줄 요약

이 연구는 다중 모odal 망막 영상인 복합 망막도 및 OCT 영상에서 망막 병변을 추출하기 위해 RAGNet, PSPNet, SegNet, UNet, FCN-8, FCN-32의 여섯 가지 딥 세그멘테이션 모델을 평가한다. RAGNet는 평균 Dice 계수(D_C = 0.822)로 가장 높은 성능을 기록하였으며, UNet은 화이버(드루젠) 분류에서 가장 뛰어난 성능(D_C = 0.864)을 보였으며, 병변 유형과 영상 모odal 간에 모델 성능의 차이가 있음을 보여준다.

ABSTRACT

Identification of lesions plays a vital role in the accurate classification of retinal diseases and in helping clinicians analyzing the disease severity. In this paper, we present a detailed evaluation of RAGNet, PSPNet, SegNet, UNet, FCN-8 and FCN-32 for the extraction of retinal lesions such as intra-retinal fluid, sub-retinal fluid, hard exudates, drusen, and other chorioretinal anomalies from retinal fundus and OCT scans. We also discuss the transferability of these models for extracting retinal lesions by varying training-testing dataset pairs. A total of 363 fundus and 173,915 OCT scans were considered in this evaluation from seven publicly available datasets from which 297 fundus and 59,593 OCT scans were used for testing purposes. Overall, the best performance is achieved by RAGNet with a mean dice coefficient ($\mathrm{D_C}$) score of 0.822 for extracting retinal lesions. The second-best performance is achieved by PSPNet (mean $\mathrm{D_C}$: 0.785) using ResNet extsubscript{50} as a backbone. Moreover, the best performance for extracting drusen is achieved by UNet ($\mathrm{D_C}$: 0.864). The source code is available at: this http URL.

연구 동기 및 목표

• 다양한 망막 병변을 다중 모달 망막 영상 데이터에서 세그멘테이션하는 데에 다양한 딥 러닝 아키텍처의 성능을 평가하기 위해.
• 훈련된 모델이 서로 다른 맹막도 및 OCT 데이터셋 간에 얼마나 이식 가능성이 있는지 조사하기 위해.
• 드루젠, 딱딱한 출현물, 체액 축적 등의 특정 병변 유형에 대해 가장 효과적인 모델 아키텍처를 특정하기 위해.
• 큰 규모의 공개 데이터셋을 사용하여 맹막 병변 세그멘테이션에 대한 종합적인 벤치마크를 제공하기 위해.

제안 방법

• 이 연구는 7개의 공개 데이터셋에서 확보한 총 363장의 맹막도 및 173,915장의 OCT 스캔을 포함하는 통합 데이터셋에서 RAGNet, PSPNet, SegNet, UNet, FCN-8, FCN-32를 평가한다.
• 훈련 및 테스트는 297장의 맹막도 및 59,593장의 OCT 스캔을 사용하며, 성능은 Dice 계수(D_C)로 측정된다.
• 모델 일반화 능력을 평가하기 위해 훈련 및 테스트 데이터셋 조합을 다양하게 변화시켜 이식 가능성(transferability)을 분석한다.
• PSPNet의 경우 ResNet-50을 백본으로 사용하며, 다른 모델들은 아키텍처 수정 없이 표준 아키텍처를 사용한다.
• 모든 모델은 교차 엔트로피 손실 및 데이터 증강을 포함한 표준 딥 러닝 파이프라인을 사용하여 훈련 및 평가된다.
• 소스 코드는 재현성 및 향후 벤치마크를 위해 공개적으로 배포된다.

실험 결과

연구 질문

• RQ1 다중 모달 망막 영상에서 맹막 병변을 세그멘테이션하는 데 있어 어떤 딥 세그멘테이션 모델이 가장 높은 종합 성능을 기록하는가?
• RQ2 다른 맹막도 및 OCT 데이터셋 간에 모델 성능은 어떻게 변화하는가?
• RQ3 드루젠, 망막내 체액, 딱딱한 출현물 등의 특정 병변 유형에 대해 어떤 모델이 가장 뛰어난 성능을 보이는가?
• RQ4 모델 아키텍처 선택이 맹막 영상에서 병변 세그멘테이션 정확도에 어떤 영향을 미치는가?

주요 결과

• RAGNet는 모든 병변 유형에서 평균 Dice 계수(D_C = 0.822)로 가장 높은 성능을 기록하여 모든 다른 모델을 앞서며, 우수한 성능을 보였다.
• ResNet-50 백본을 사용한 PSPNet는 평균 D_C가 0.785로 두 번째로 높은 성능을 기록하여 병변 유형 간에 강력한 일반화 능력을 보였다.
• UNet은 드루젠 세그멘테이션에서 D_C가 0.864로 가장 뛰어난 성능을 기록하였으며, 다른 모델들보다 유의미하게 뛰어난 성능을 보였다.
• 이 연구는 병변 유형에 따라 모델 성능의 차이가 뚜렷하게 나타나며, 어떤 한 모델도 모든 병변 유형에 최적화되어 있지 않음을 입증하였다.
• 데이터 분포가 상이한 경우 성능 저하가 발생함에 따라 데이터셋 간 이식 가능성은 관찰되었지만, 성능 저하가 발생하는 경우가 있었다.
• 결과적으로 이 연구는 맹막 병변 세그멘테이션에 대한 종합적인 벤치마크를 수립하였으며, 다양한 병변에 대해 아키텍처 특화된 강점을 규명하였다.