[논문 리뷰] Identifying and Categorizing Anomalies in Retinal Imaging Data

Philipp Seeböck, Sebastian M. Waldstein외 6명|arXiv (Cornell University)|2016. 12. 02.

Retinal Imaging and Analysis인용 수 22

한 줄 요약

이 논문은 건강한 훈련 데이터만을 사용하여 망막 OCT 영상에서 이상을 탐지하고 분류하기 위한 비지도 딥러닝 프레임워크를 제안한다. 이는 심층 합성곱 오토인코더(DCAE)와 일종의 서포트 벡터 머신(One-Class SVM)을 활용한다. 이 방법은 이상 영역 분할에 대해 0.55의 Dice 스코어를 달성하였으며, 임상적으로 의미 있는 병변 군집화를 가능하게 하였고, 학습된 특징을 사용한 후행 분류 작업에서 86.6%의 정확도를 기록하였다.

ABSTRACT

The identification and quantification of markers in medical images is critical for diagnosis, prognosis and management of patients in clinical practice. Supervised- or weakly supervised training enables the detection of findings that are known a priori. It does not scale well, and a priori definition limits the vocabulary of markers to known entities reducing the accuracy of diagnosis and prognosis. Here, we propose the identification of anomalies in large-scale medical imaging data using healthy examples as a reference. We detect and categorize candidates for anomaly findings untypical for the observed data. A deep convolutional autoencoder is trained on healthy retinal images. The learned model generates a new feature representation, and the distribution of healthy retinal patches is estimated by a one-class support vector machine. Results demonstrate that we can identify pathologic regions in images without using expert annotations. A subsequent clustering categorizes findings into clinically meaningful classes. In addition the learned features outperform standard embedding approaches in a classification task.

연구 동기 및 목표

• 정확한 병리학적 데이터가 없는 망막 OCT 영상에서 진단적으로 관련성이 있는 이상을 탐지하기 위해.
• 오직 건강한 망막 영상에서 학습하여 새로운 생물학적 지표를 식별하는 방법을 개발하기 위해.
• 탐지된 이상 영역을 군집화를 통해 임상적으로 의미 있는 하위 유형으로 분류하기 위해.
• 후행 분류 작업에서 학습된 특징의 분류 능력을 평가하기 위해.

제안 방법

• 건강한 OCT 패치에서 훈련된 다중 스케일 심층 합성곱 오토인코더(DCAE)는 계층적인 특징 표현을 학습한다.
• 두 DCAE 스케일(32×32 및 128×32로 다운샘플링된)의 특징을 연결하여 노이즈 제거 오토인코더에 입력하여 초픽셀당 256차원 특징 벡터를 생성한다.
• 건강한 초픽셀의 256차원 특징을 기반으로 일종의 서포트 벡터 머신(One-Class SVM)을 훈련시어 정상 영역와 이상 영역를 구분하는 결정 경계를 정의한다.
• 이상 초픽셀은 코사인 거리와 Davies-Bouldin 지수를 활용한 구면 K-means 군집화를 통해 하위 유형으로 분할된다.
• 이 프레임워크는 픽셀 수준의 이상 영역 분할과 이후 생물학적으로 해석 가능한 군집으로의 분류를 가능하게 한다.
• 성능 평가에는 Dice 스코어, IRC/SRF/기타 분류 정확도, 그리고 군집 해석의 전문가 검증이 포함된다.

실험 결과

연구 질문

• RQ1 오직 건강한 훈련 데이터만을 사용하여 비지도 모델이 망막 OCT 영상에서 임상적으로 관련성이 있는 이상을 탐지할 수 있는가?
• RQ2 탐지된 이상 영역은 군집화를 통해 의미 있는 병리학적 하위 유형으로 분류될 수 있는가?
• RQ3 DCAE에서 학습된 특징은 후행 분류 작업에서 충분한 분류 능력을 가지는가?
• RQ4 기존의 주성분 분석(PCA) 기반 특징 추출 방식과 비교하여 제안된 방법은 이상 탐지 및 분류에서 어떤 성능을 보이는가?

주요 결과

• 제안된 DCAEent 모델은 이상 영역 분할에 대해 0.55의 Dice 스코어를 기록하였으며, PCA 기반 기준 모델들(0.33 및 0.32)보다 유의미하게 뛰어났다.
• DCAE 특징을 활용한 일종의 서포트 벡터 머신(One-Class SVM)은 높은 정밀도(0.53)와 재현율(0.58)을 기록하며 이상 영역를 효과적으로 분할하였다.
• 7개 군집으로 설정한 구면 K-means 군집화가 가장 낮은 Davies-Bouldin 지수를 기록하였고, 이상 영역의 임상적으로 해석 가능한 분류를 가능하게 하였다.
• 전문가들은 군집 1을 밝은 수평 가장자리를 가진 RPE로, 군집 4를 망막 내부 빈혈로, 군집 3과 5를 망막하 빈혈로 식별하여 임상적 관련성을 확인하였다.
• DCAEent 특징는 3개 클래스 작업(IRC, SRF, 기타)에서 평균 86.6%의 분류 정확도를 기록하였으며, PCA 기반 모델들(73.4% 및 73.3%)을 능가하였다.
• t-SNE 시각화 결과, 학습된 특징 공간이 의미 있는 의미론적 구조를 반영하고 있으며, 군집이 명확한 해부학적 및 병리학적 패턴에 대응하는 것으로 확인되었다.