[논문 리뷰] Lesion detection and Grading of Diabetic Retinopathy via Two-stages Deep Convolutional Neural Networks

Yehui Yang, Tao Li외 4명|arXiv (Cornell University)|2017. 05. 01.

Retinal Imaging and Analysis인용 수 22

한 줄 요약

이 논문은 망막 병변 탐지와 중증도 평가를 결합한 자동화된 당뇨성 망막병증(DR) 분석을 위한 이단계 심층 합성 신경망(DCNN)을 제안한다. 국소 네트워크를 사용해 병변을 국소화하고, 불균형 가중 맵을 갖춘 전역 네트워크를 통해 병변이 많은 영역을 우선시함으로써, 종단간 모델 대비 DR 중증도 평가 정확도를 크게 향상시킨다.

ABSTRACT

We propose an automatic diabetic retinopathy (DR) analysis algorithm based on two-stages deep convolutional neural networks (DCNN). Compared to existing DCNN-based DR detection methods, the proposed algorithm have the following advantages: (1) Our method can point out the location and type of lesions in the fundus images, as well as giving the severity grades of DR. Moreover, since retina lesions and DR severity appear with different scales in fundus images, the integration of both local and global networks learn more complete and specific features for DR analysis. (2) By introducing imbalanced weighting map, more attentions will be given to lesion patches for DR grading, which significantly improve the performance of the proposed algorithm. In this study, we label 12,206 lesion patches and re-annotate the DR grades of 23,595 fundus images from Kaggle competition dataset. Under the guidance of clinical ophthalmologists, the experimental results show that our local lesion detection net achieve comparable performance with trained human observers, and the proposed imbalanced weighted scheme also be proved to significantly improve the capability of our DCNN-based DR grading algorithm.

연구 동기 및 목표

• 기존 종단간 딥 러닝 모델의 한계를 해결하고, 망막 병변을 탐지하고 안저 영상에서 DR 중증도를 평가하는 자동화된 시스템을 개발하는 것.
• 종단간 DCNN에서 작은, 눈에 띄지 않는 병변(예: 미세동맥류)이 간과되는 문제를 해결하기 위해 이단계 아키텍처를 도입하는 것.
• 훈련 중 병변이 많은 영역에 더 높은 주의를 기울이는 불균형 가중 맵을 적용하여 DR 중증도 평가 성능을 향상시키는 것.
• 병변 유형(예: 미세동맥류, 출혈, 출혈성 병변)을 국소화하고 NPDR 중증도 등급(0–3)을 할당하여 임상적으로 해석 가능한 출력을 제공하는 것.

제안 방법

• 이 방법은 이단계 DCNN을 사용한다: 국소 네트워크는 병변 탐지에, 전역 네트워크는 DR 중증도 평가에 사용된다.
• 12,206개의 병변 패치에서 병변 패치를 추출하고 레이블을 부여하였으며, 임상적 안과 전문의의 지침에 따라 23,595개의 안저 영상에 대해 DR 중증도를 재표기하였다.
• 병변이 더 심한 영역에 더 높은 주의를 기울이기 위해 불균형 가중 맵을 도입하여 전역 평가 네트워크의 특징 학습을 향상시켰다.
• 국소 네트워크는 이진 병변 탐지에서 훈련된 인간 관찰자 수준의 성능를 달성했으며, AUC = 0.9590 (고감도/고특이도 지점 기준).
• 전역 네트워크는 가중 손실을 사용해 잘못 분류되거나 미세한 경우를 우선시하여 조기 단계 DR 탐지에서의 강건성을 향상시켰다.
• 프레임워크는 카글(Kaggle) 당뇨성 망막병증 검출 경진대회에서 재표기된 데이터셋을 사용해 평가되었으며, ROC 곡선과 캬파 스코어를 통한 검증이 이루어졌다.

실험 결과

연구 질문

• RQ1 이중 단계 DCNN 아키텍처가 종단간 DCNN보다 망막 병변 탐지 및 DR 중증도 평가에서 더 우수한 성능을 내는가?
• RQ2 불균형 가중 맵을 사용할 경우 표준 훈련 방식에 비해 DR 중증도 평가 네트워크의 성능 향상이 유의미한가?
• RQ3 제안된 방법이 다수의 병변 유형(예: 미세동맥류, 출혈, 출혈성 병변)을 국소화 및 분류하면서 정확한 중증도 등급을 할당할 수 있는가?
• RQ4 동일한 데이터셋에서 병변 탐지 네트워크의 성능이 훈련된 인간 관찰자와 비교해 어떻게 되는가?
• RQ5 가중치 부여 방식이 경증 또는 조기 단계 DR 케이스의 잘못된 분류를 어느 정도 감소시키는가?

주요 결과

• 제안된 이단계 DCNN은 가중치 부여 방식을 사용해 참조 가능한 DR 탐지에서 AUC = 0.9590을 달성했으며, 비가중치 기반 베이스라인 대비 0.7986보다 높았다.
• 병변 탐지 네트워크는 훈련된 인간 관찰자 수준의 성능를 보였으며, ROC 곡선 상의 감도 및 특이도 지점에 해당하는 성능를 기록했다.
• 불균형 가중 맵은 Kappa 스코어와 정확도 모두에서 DR 중증도 평가 성능을 유의미하게 향상시켰으며, 그림 7에서 이를 입증했다.
• 가중치 부여 방식을 적용한 전역 네트워크는 비가중치 버전과 표준 AlexNet 모두를 능가하는 중증도 평가 성능을 보였다.
• 국소 및 전역 네트워크의 통합은 전역 평가 단계에서 전체 영상의 맥락을 활용함으로써 국소 네트워크의 오류를 감소시켰다.
• 이 방법은 미세동맥류, 출혈, 출혈성 병변 세 가지 주요 병변 유형을 성공적으로 국소화 및 분류하였으며, 정확한 NPDR 중증도 등급(0–3)을 할당하였다.