[논문 리뷰] Pathological Myopic Image Analysis with Transfer Learning

Ruitao Xie, Libo Liu외 2명|arXiv (Cornell University)|2019. 07. 31.

Retinal Imaging and Analysis참고 문헌 7인용 수 6

한 줄 요약

이 논문은 병적 근시의 망막 이미지 분석을 위한 전이학습 기반 딥러닝 모델을 제안하며, 사전 훈련된 ResNet 및 VGG 아키텍처를 활용하여 분류, 중심망막 위치 특정, 시신경두 세분화에서 최신 기술 수준의 성능을 달성한다. 이 방법은 ISBI 2019 PALM 챌린지에서 분류 및 중심망막 위치 특정에서 1위, 세분화에서 2위를 기록하였다.

ABSTRACT

We present a summary of transfer learning based methods for several challenging myopic fundus image analysis tasks including classification of pathological and non-pathological myopia,localisation of fovea,and segmentation of optic disc.By adapting existing popular deep learning architectures,our proposed methods have achieved 1st and 2nd place in several tasks at the Pathologic Myopia Challenge held at ISBI2019.

연구 동기 및 목표

• 병적 근시를 위한 제한된 애너테이션 처리된 망막 이미지 데이터셋 문제를 해결하기 위해 전이학습을 활용한다.
• 망막 망막 이미지의 자동 분석을 통해 병적 근시의 조기 진단을 향상시킨다.
• 분류, 중심망막 위치 특정, 시신경두 세분화의 세 가지 핵심 과제를 위한 강력한 딥러닝 모델을 개발한다.
• ImageNet에서 사전 훈련된 모델을 미세조정하여 소규모 데이터셋에서도 높은 성능을 달성한다.
• 실제 대회 기준을 활용하여 딥러닝의 임상적 잠재력을 병적 근시 망막 이미지 분석에서 평가한다.

제안 방법

• 교차 엔트로피 손실과 가우시안 노이즈 및 무작위 회전을 활용한 데이터 증강을 사용하여, ImageNet에서 사전 훈련된 ResNet50을 병적 및 비병적 근시 분류에 대해 미세조정한다.
• 4번째 및 5번째 블록의 특징을 융합하여 VGG19를 수정하고, 중심망막 위치 특정을 위해 평균 유클리드 거리 손실로 훈련한다.
• Encoder로 ResNet34를 사용하고 ASPP 모듈을 통합한 U-Net 유사 아키텍처를 제안하며, 스킵 연결 및 다중 해상도 입력을 활용하여 시신경두 세분화를 수행한다.
• 분류 모델 최적화를 위해 다중 분류 교차 엔트로피 손실과 Dice 계수 손실 함수를 조합한다.
• 일반화 성능 향상을 위해 노이즈 주입 및 회전을 포함한 데이터 증강 기법을 사용한다.
• 의료 망막 영상에 적합하도록 자연 이미지 도메인에서 사전 훈련된 모델을 최소한의 작업 특화 재훈련으로 적응시킨다.

실험 결과

연구 질문

• RQ1 ImageNet에서 사전 훈련된 모델을 활용한 전이학습이 제한된 훈련 데이터로 병적 근시 분류에서 높은 성능을 달성할 수 있는가?
• RQ2 특징 융합 및 유클리드 거리 손실을 적용한 수정된 VGG19 아키텍처는 망막 이미지에서 중심망막 위치 특정에 얼마나 효과적인가?
• RQ3 ASPP와 다중 해상도 입력을 갖춘 하이브리드 U-Net 및 ResNet34 아키텍처는 시신경두 세분화 정확도를 향상시킬 수 있는가?
• RQ4 미세조정된 사전 훈련된 모델은 병적 근시 망막 이미지 분석 과제에서 표준 아키텍처와 비교해 어떻게 성능을 내는가?
• RQ5 소규모 데이터셋을 활용한 전이학습을 통해 실생활 임상 도전 과제인 PALM에서 어떤 정도의 성능을 달성할 수 있는가?

주요 결과

• 제안된 전이학습 방법은 병적 근시 분류 과제에서 AUC 0.998을 달성하여 PALM 챌린지에서 1위를 기록하였다.
• 수정된 VGG19 모델은 중심망막 위치 특정에서 평균 유클리드 거리 0.0295를 기록하여 ResNet50 및 표준 VGG19를 초월하였다.
• 세분화 모델은 시신경두 세분화 과제에서 2위를 기록하였으며, 교차 엔트로피 손실과 Dice 계수 손실의 조합으로 강력한 성능을 보였다.
• 가우시안 노이즈 및 회전을 활용한 데이터 증강 기법을 적용한 모델은 소규모 훈련 세트에서의 강인성과 일반화 능력을 향상시켰다.
• 결과적으로, 사전 훈련된 모델의 미세조정은 제한된 의료 영상 데이터로도 높은 정확도를 달성할 수 있음을 보여주었다.
• 강력한 성능에도 불구하고 실패 케이스가 관찰되어 임상 적용을 위한 향후 연구가 필요하다.