[논문 리뷰] Glaucoma Detection From Raw Circumapillary OCT Images Using Fully Convolutional Neural Networks

Gabriel García, Rocío del Amor외 2명|arXiv (Cornell University)|2020. 05. 29.

Retinal Imaging and Analysis인용 수 9

한 줄 요약

이 논문은 시력 검사나 IOP 데이터에 의존하지 않고 오직 원시적인 순환막 주변 OCT B-스캔만을 사용하여 녹내장 검출을 위한 엔드 투 엔드 딥 러닝 접근법을 제안한다. 학습을 처음부터 시작한 모델와 사전 훈련된 VGG 아키텍처를 미세조정한 모델를 비교한다. 최고의 성능을 보인 모델인 미세조정된 VGG19는 독립 테스트 세트에서 AUC 0.9594와 정확도 0.9230을 달성하였으며, 클래스 활성화 맵(CAMs)은 임상적으로 관련성이 있는 망막 신경섬유층(RNFL) 영역에 주의를 기울인다는 것을 확인하였다.

ABSTRACT

Nowadays, glaucoma is the leading cause of blindness worldwide. We propose in this paper two different deep-learning-based approaches to address glaucoma detection just from raw circumpapillary OCT images. The first one is based on the development of convolutional neural networks (CNNs) trained from scratch. The second one lies in fine-tuning some of the most common state-of-the-art CNNs architectures. The experiments were performed on a private database composed of 93 glaucomatous and 156 normal B-scans around the optic nerve head of the retina, which were diagnosed by expert ophthalmologists. The validation results evidence that fine-tuned CNNs outperform the networks trained from scratch when small databases are addressed. Additionally, the VGG family of networks reports the most promising results, with an area under the ROC curve of 0.96 and an accuracy of 0.92, during the prediction of the independent test set.

연구 동기 및 목표

• 시력 검사나 IOP 데이터에 의존하지 않고 오직 원시적인 순환막 주변 OCT B-스캔만을 사용하여 녹내장 진료 보조 시스템을 개발하는 것.
• 작은 비공개 OCT 데이터셋에서 복합 신경망(CNNs)을 처음부터 학습한 모델와 최신 기술 아키텍처를 미세조정한 모델의 성능을 비교하는 것.
• 클래스 활성화 맵(CAMs)을 생성하여 모델 예측의 임상적 관련성을 평가하고 전문 안과의사의 해석과 비교하는 것.
• 단일 순환막 주변 OCT 이미지가 정확한 녹내장 검출을 위한 충분한 진단 정보를 포함하고 있음을 입증하는 것.

제안 방법

• 헤이델베르크 스펙트라리스 OCT로 확보한 249개의 순환막 주변 OCT B-스캔(정상 156건, 녹내장 93건)으로 구성된 비공개 데이터셋을 사용하였으며, 각 이미지는 496×768 픽셀이었다.
• 데이터를 4/5 훈련 세트(녹내장 73건, 정상 124건)와 1/5 독립 테스트 세트(녹내장 20건, 정상 32건)로 분할하였으며, 하이퍼파라미터 튜닝을 위해 내부 교차검증을 실시하였다.
• 컨볼루션, 배치 정규화, 풀링, 드롭아웃, 완전 연결층을 포함한 얕은 CNN을 처음부터 학습시켰으며, 클래스 불균형을 보완하기 위해 클래스 가중치 [1.35, 0.79]를 적용한 이진 교차 엔트로피 손실 함수를 최적화 목표로 하였다.
• 동일한 데이터셋에 대해 사전 훈련된 VGG16과 VGG19 아키텍처를 미세조정하여, 소규모 데이터셋에서의 성능 향상을 위해 전이 학습을 활용하였다.
• OCT 이미지의 주의 영역을 시각화하기 위해 클래스 활성화 맵(CAMs)을 생성하였으며, 특히 망막 신경섬유층(RNFL)에 초점을 맞추어 모델의 해석 가능성에 대한 검증을 수행하였다.
• 표준 지표인 AUC, 정확도, 민감도, 특이도, 양성 예측도, 음성 예측도, F1-스코어를 사용하여 모델을 평가하였으며, 최종 모델은 독립된 보류 세트에서 테스트되었다.

실험 결과

연구 질문

• RQ1 오직 원시적인 순환막 주변 OCT B-스캔에서만 학습된 딥 러닝 모델이 시력 검사나 IOP 측정치와 같은 외부 데이터 없이도 높은 정확도로 녹내장 검출을 수행할 수 있는가?
• RQ2 소규모 비공개 OCT 데이터셋에 적용했을 때, 사전 훈련된 CNN 아키텍처(예: VGG16/19)를 미세조정한 모델이 처음부터 학습한 모델보다 성능이 뛰어나게 되는가?
• RQ3 최고 성능을 보인 모델이 생성한 주의 맵(CAMs)이 녹내장에서 RNFL 두께 변화에 대한 임상 지식과 일치하는가?
• RQ4 제안된 방법의 성능가 기존의 최신 기술적 접근법(주로 망막도 또는 OCT 영상 기반)과 비교해 볼 때 어떻게 다른가?

주요 결과

• 미세조정된 VGG19가 독립 테스트 세트에서 가장 높은 AUC 0.9594를 기록하였으며, VGG16(AUC 0.9578) 및 처음부터 학습한 모델들보다 모두 뛰어난 성능을 보였다.
• 미세조정된 VGG19 모델은 정확도 0.9230, 민감도 0.8510, 특이도 0.9688을 기록하여 강력한 진단 성능를 입증하였다.
• 클래스 활성화 맵(CAMs)은 모델이 망막 신경섬유층(RNFL)에 집중하고 있음을 보여주었으며, 정상 눈에서는 두꺼워진 패턴, 녹내장 환자에서는 얇아진 패턴이 임상 전문 지식과 일치하였다.
• 처음부터 학습한 모델는 특히 소규모 데이터셋에서 미세조정된 아키텍처에 비해 성능이 열 劣하였으며, 이는 제한된 데이터 환경에서 전이 학습의 유용성을 강조한다.
• 미세조정된 VGG19의 AUC 0.9594는 이와 유사한 작업에서 망막도 영상 사용 시 이전에 보고된 결과들(예: [5]에서 AUC 0.94, [7]에서 AUC 0.91)을 초월하여, OCT 전용 데이터에 대해 뛰어난 성능을 보임을 시사한다.
• 클래스 가중치 [1.35, 0.79]의 사용은 정상과 녹내장 샘플 간의 클래스 불균형 문제를 완화함으로써 모델의 일반화 능력을 향상시켰다.