[논문 리뷰] Machine Learning for Cataract Classification and Grading on Ophthalmic Imaging Modalities: A Survey

Xiaoqing Zhang, Yan Hu외 4명|arXiv (Cornell University)|2020. 12. 09.

Retinal Imaging and Analysis참고 문헌 138인용 수 11

한 줄 요약

이 종합 검토는 안과 영상 기반 자동 백내장 분류 및 등급 분류를 위한 기계학습 기법을 체계적으로 검토하며, 전통적 기계학습 및 딥러닝 방법을 포함한다. 주요 과제를 규명하고 다양한 모odalities 간 성능를 평가하며, 개방형 데이터셋, 해석 가능성, 저자원 환경을 위한 경량 모델 등의 향후 방향성을 제안한다.

ABSTRACT

Cataracts are the leading cause of visual impairment and blindness globally. Over the years, researchers have achieved significant progress in developing state-of-the-art machine learning techniques for automatic cataract classification and grading, aiming to prevent cataracts early and improve clinicians' diagnosis efficiency. This survey provides a comprehensive survey of recent advances in machine learning techniques for cataract classification/grading based on ophthalmic images. We summarize existing literature from two research directions: conventional machine learning methods and deep learning methods. This survey also provides insights into existing works of both merits and limitations. In addition, we discuss several challenges of automatic cataract classification/grading based on machine learning techniques and present possible solutions to these challenges for future research.

연구 동기 및 목표

• 안과 영상 기반 자동 백내장 분류 및 등급 분류를 위한 기계학습 기법에 대한 종합적인 검토를 제공하기 위해.
• 백내장 진단에서 전통적 기계학습 및 딥러닝 접근법의 성능, 해석 가능성, 일반화 능력 간 비교를 위해.
• 데이터 부족, 모델 일반화, 의료 기계학습에서의 해석 가능성과 같은 핵심 과제를 규명하기 위해.
• 개방형 데이터셋, 표준 기준 기반 모델, 저자원 환경을 위한 경량 모델 등의 향후 연구 방향을 제안하기 위해.
• 다양한 안과 질환 작업에서의 해석 가능성과 강건성을 향상시켜 임상 적용 가능성을 높이기 위해.

제안 방법

• Web of Science, Scopus, Google Scholar를 활용한 체계적 문헌 검토를 통해 기계학습 기반 백내장 분류/등급 분류 연구를 수집하기 위해.
• 기계학습 방법을 전통적 기계학습(특징 추출 + 분류)과 딥러닝(엔드 투 엔드 표현 학습)으로 분류하기 위해.
• GLCM, 고바르 웨이블릿, BOF, DCT 등의 특징 추출 기법과 SVM, RF, KNN 등의 분류 모델 분석하기 위해.
• 백내장 중증도 예측을 위한 CNN, 주의 메커니즘 네트워크(CBAM, ECA 등), Faster R-CNN, MLP 등의 딥러닝 아키텍처 평가하기 위해.
• 안과 전문의의 전문 지식을 통합하여 임상적 관련성과 프레임워크 설계의 타당성 검증하기 위해.
• 다양한 안과 영상 모odalities 간 표준 평가 지표(정확도, AUC, 민감도, 특이도)를 사용한 메트릭 기반 메트릭 비교하기 위해.

실험 결과

연구 질문

• RQ1 다양한 안과 영상 모odalities에서 백내장 분류 및 등급 분류에 사용되는 주요 기계학습 기법은 무엇인가?
• RQ2 백내장 진단에서 전통적 기계학습과 딥러닝 방법의 성능, 해석 가능성, 일반화 능력은 어떻게 비교되는가?
• RQ3 현재 기계학습 기반 백내장 분류 시스템의 주요 제약 사항과 과제는 무엇인가(특히 데이터 가용성 및 모델 강건성 측면에서)?
• RQ4 다양한 안과 질환과 영상 도메인 간 모델 일반화 능력을 어떻게 향상시킬 수 있는가?
• RQ5 특히 저자원 환경에서 기계학습 기반 백내장 스크리닝을 위한 향후 연구에서 가장 유망한 방향은 무엇인가?

주요 결과

• 특히 주의 기반 CNN을 활용한 딥러닝 모델은 엔드 투 엔드 특징 학습을 통해 전통적 방법보다 백내장 중증도 예측 정확도에서 뛰어난 성능을 보인다.
• GLCM 및 BOF와 같은 전통적 방법은 여전히 관련성이 있지만 수작업 특징 설계의 한계와 영상 품질에 대한 민감성으로 인해 제한된다.
• Zhang 등(2022b)과 같은 소수의 연구만이 AMD와 같은 다른 질환으로의 모델 일반화를 검증하였으며, 이는 주요 연구 격차를 드러낸다.
• 공개된 백내장 영상 데이터셋이 부족하여 재현성과 벤치마킹이 어려워 모델 개발 진전이 저해되고 있다.
• 경량 딥러닝 모델은 저자원 환경에서의 구현 가능성을 보이며 정확도와 계산 효율성 사이의 균형을 이루는 데 유망하다.
• 의료 진단에서의 도입과 신뢰성 확보에 있어 중요시되지만, 딥러닝 모델의 해석 가능성은 여전히 개발이 부족한 상태이다.