[논문 리뷰] Improved Microaneurysm Detection using Deep Neural Networks

Mrinal Haloi|arXiv (Cornell University)|2015. 05. 17.

Retinal Imaging and Analysis참고 문헌 15인용 수 98

한 줄 요약

이 논문은 전처리 또는 수작업 특징 공학 없이도, 드롭아웃과 맥스아웃 활성화를 갖춘 딥 네트워크를 사용한 엔드 투 엔드 픽셀 단위의 미세aneurysm(MA) 검출 방법을 제안한다. 이는 ROC 및 Diaretdb1v2 데이터셋에서 97% 민감도와 95% 특이도를 기록하며 최신 기술 수준의 성능을 달성하며, 초기 당뇨성 망막병증 스크리닝에서 잘못된 양성 결과를 크게 줄였다.

ABSTRACT

In this work, we propose a novel microaneurysm (MA) detection for early diabetic retinopathy screening using color fundus images. Since MA usually the first lesions to appear as an indicator of diabetic retinopathy, accurate detection of MA is necessary for treatment. Each pixel of the image is classified as either MA or non-MA using a deep neural network with dropout training procedure using maxout activation function. No preprocessing step or manual feature extraction is required. Substantial improvements over standard MA detection method based on the pipeline of preprocessing, feature extraction, classification followed by post processing is achieved. The presented method is evaluated in publicly available Retinopathy Online Challenge (ROC) and Diaretdb1v2 database and achieved state-of-the-art accuracy.

연구 동기 및 목표

• 초기 당뇨성 망막병증 스크리닝을 위한 자동화되고 정확하며 강건한 미세aneurysm 검출 시스템을 개발하기 위해.
• 전처리, 특징 추출, 후처리를 포함하는 기존 파이프라인의 한계를 극복하기 위해.
• 조명 변화, 대비 변화, 혈관 잡음 등 도전적인 조건에서도 검출 성능을 향상시키기 위해.
• 실제 망막 영상에서 낮은 잘못된 양성 결과를 동반한 높은 민감도와 특이도를 달성하기 위해.
• 혈관 구조, 시신경 중심 또는 망막 중심부 검출에 의존하지 않기 위해 픽셀 단위의 분류 접근법을 사용함으로써 이를 제거하기 위해.

제안 방법

• 각 픽셀을 미세aneurysm 또는 비미세aneurysm로 분류하기 위해, 픽셀 중심의 129×129 RGB 창을 사용하는 다섯 개의 은닉층과 소프트맥스 출력층을 갖춘 딥 네트워크(DNN)를 훈련한다.
• 이웃 픽셀의 영향을 억제하고 고립된 미세aneurysm의 검출을 향상시키기 위해, 피카리제이션(foveation)과 비균일 샘플링을 적용한다.
• 일반화 성능 향상과 과적합 방지를 위해 드롭아웃 정규화와 맥스아웃 활성화 함수를 사용한다.
• 각 이미지에 대해 확률 맵을 생성하며, 각 픽셀은 해당 픽셀이 MA일 가능성에 할당된다.
• 후처리 단계에서 볼록도 및 면적 임계값(면적 ≤ 21 및 볼록도 ≥ 0.8)을 적용하여 혈관, 분지점 및 출혈로 인한 잘못된 양성 결과를 걸러낸다.
• 이미지 경계 처리를 위해 수평 반사 기법을 사용하여 전체 창 영역의 특징을 추출한다.

실험 결과

연구 질문

• RQ1 딥 러닝 모델이 전처리 또는 수작업 특징에 의존하지 않고도 뛰어난 미세aneurysm 검출 정확도를 달성할 수 있는가?
• RQ2 조명 및 대비 변화 조건에서 제안된 방법의 미세aneurysm 검출 성능은 어떠한가?
• RQ3 피카리제이션과 비균일 샘플링의 사용이 고립된 미세aneurysm 검출에 얼마나 기여하는가?
• RQ4 민감도, 특이도 및 잘못된 양성 비율 측면에서 기존 최신 기술 수준의 방법과 비교해 모델의 성능은 어떠한가?
• RQ5 ROC, Diaretdb1v2 및 Messidor와 같은 다양한 데이터셋 간에 모델이 효과적으로 일반화될 수 있는가?

주요 결과

• 제안된 방법은 Retinopathy Online Challenge(ROC) 데이터셋에서 97% 민감도와 95% 특이도를 기록하여 기존 방법을 초월했다.
• Diaretdb1v2 데이터셋에서 AUC( receiver operating characteristic 곡선 아래 면적)는 0.988을 기록하여 최신 기술 수준의 성능을 입증했다.
• 다른 시스템에 비해 유의미하게 낮은 잘못된 양성 결과 비율을 기록했으며, 민감도 대 평균 이미지당 잘못된 양성 픽셀 수 그래프를 통해 이를 입증했다.
• Messidor 데이터셋에서 R0 대 R1 시나리오에서 95.4% 정확도, 97% 민감도, 94% 특이도를 달성했다.
• Messidor의 No DR 대 DR 시나리오에서는 96% 정확도, 97% 민감도, 96% 특이도를 기록했다.
• 시험 레이블이 없는 ROC 데이터셋의 일부에서 모델은 AUC 0.98을 기록했으며, 인간 전문가(AUC 0.96)와 다른 자동화 시스템을 뛰어넘었다.