[논문 리뷰] Neural Networks with Manifold Learning for Diabetic Retinopathy Detection

Arjun Raj Rajanna, Kamelia Aryafar외 4명|arXiv (Cornell University)|2016. 12. 12.

Retinal Imaging and Analysis참고 문헌 7인용 수 4

한 줄 요약

이 논문은 망막 사진에서 당뇨성 망막병증(DR) 검출을 향상시키기 위해 신경망과 다양체 학습, 영상 전처리를 융합한 딥러닝 프레임워크를 제안한다. 녹색 채널 표현과 히스토그램 평준화를 적용하고, NPE, SLPP 또는 PCA를 통한 차원 축소를 통해 모델은 최대 78.9%의 정확도를 달성한다—기본 k-NN 및 처리되지 않은 회색조 입력보다 뚜렷하게 뛰어나며, 소규모이지만 대표적인 데이터셋에서의 확장성과 강건성을 입증한다.

ABSTRACT

Widespread outreach programs using remote retinal imaging have proven to decrease the risk from diabetic retinopathy, the leading cause of blindness in the US. However, this process still requires manual verification of image quality and grading of images for level of disease by a trained human grader and will continue to be limited by the lack of such scarce resources. Computer-aided diagnosis of retinal images have recently gained increasing attention in the machine learning community. In this paper, we introduce a set of neural networks for diabetic retinopathy classification of fundus retinal images. We evaluate the efficiency of the proposed classifiers in combination with preprocessing and augmentation steps on a sample dataset. Our experimental results show that neural networks in combination with preprocessing on the images can boost the classification accuracy on this dataset. Moreover the proposed models are scalable and can be used in large scale datasets for diabetic retinopathy detection. The models introduced in this paper can be used to facilitate the diagnosis and speed up the detection process.

연구 동기 및 목표

• 당뇨성 망막병증 스크리닝에서 훈련된 평가자가 부족한 문제를 해결하기 위해 자동화되고 확장 가능한 분류 시스템을 개발하기 위해.
• 도메인 특화 전처리 및 데이터 증강을 결합한 신경망을 통해 분류 정확도를 향상시키기 위해.
• 입력 차원을 감소시키면서 질병 관련 특징을 유지하는 데 효과적인 다각체 학습 기법(NPE, SLPP, PCA, SR)의 효과를 평가하기 위해.
• 대표적인 샘플에 대한 분석을 통해 제안된 모델이 더 큰 데이터셋에 대해 확장 가능한지를 입증하기 위해.
• 향후 컨volutional 신경망(CNNs)의 DR 검출 통합을 위한 기반을 마련하기 위해.

제안 방법

• 병변의 가시성을 향상시키고 노이즈를 감소시키기 위해 녹색 채널을 추출하고 히스토그램 평준화를 적용하여 망막 영상 전처리를 수행한다.
• 모든 영상을 256×388 픽셀로 크기 조정하고, 모델의 강건성 향상과 클래스 불균형 문제 완화를 위해 데이터 증강을 적용한다.
• 정규화된 오차를 최소화하기 위해 L-BFGS 최적화를 사용하여 160 또는 100개의 뉴런을 가진 이중층 피드포워드 신경망을 훈련한다.
• 입력 차원을 감소시키면서 클래스의 구조를 유지하기 위해 국소성 유지 투영(LPP), 이웃 보존 임bedding(NPE), 선형 판별 분석(LDA), 및 감독적 등장각 유지(SR)와 같은 다각체 학습 기법을 적용한다.
• 각 클래스에 걸쳐 모델 성능을 안정적으로 평가하기 위해 5겹 교차검증을 사용한다.
• 각 구성 요소의 영향을 분리하기 위해 원시 회색조 및 전처리된 입력에 대해 k=5인 k-NN 기준 모델과 결과를 비교한다.

실험 결과

연구 질문

• RQ1 녹색 채널 추출 및 히스토그램 평준화를 통한 전처리가 원시 회색조 입력보다 DR 분류 정확도를 향상시킬 수 있는가?
• RQ2 다양체 학습 기법(NPE, SLPP, PCA, SR)의 차이가 DR 검출에서 신경망의 성능에 어떤 영향을 미치는가?
• RQ3 데이터 증강이 불균형한 망막 영상 데이터셋에서 모델의 일반화 및 정확도 향상에 뚜렷한 기여를 하는가?
• RQ4 다양체 학습을 통한 신경망이 다섯 단계로 나뉜 DR 중증도를 분류하는 데 기존의 k-NN 분류기보다 뛰어난 성능을 보일 수 있는가?
• RQ5 제안된 모델이 더 큰 실세계 데이터셋에 대해 얼마나 확장 가능하고 이식 가능할 수 있는가?

주요 결과

• 기본 k-NN 분류기는 원시 회색조 망막 영상에서 뿐만 아니라 60.4%의 정확도를 기록하여 전통적 방법의 한계를 드러냈다.
• 원시 회색조 영상에서 두 층의 신경망은 66.43%의 정확도를 달성하여 k-NN에 비해 신경망의 잠재적 이점을 입증했다.
• 전처리(GRH) 및 데이터 증강을 적용한 최고의 성능을 보인 모델—이웃 보존 임bedding(NPE)을 사용한 경우—78.9%의 분류 정확도를 기록했다.
• NPE는 입력 차원을 154±3으로 감소시키면서 PCA(161), SLPP(155±2), SR(4)를 모두 능가하는 성능을 보이며 DR 분류에 유리한 특징 보존 능력을 입증했다.
• 데이터 증강 없이도 NPE는 모든 구성에서 가장 높은 정확도(74.2%)를 기록하여 데이터 불균형과 변동성에 대한 강건성을 입증했다.
• 모델의 성능와 아키텍처는 확장 가능하며, 저자들은 더 큰 데이터셋에 대한 구현 가능성과 향후 CNN으로의 이관 가능성도 확인했다.