[논문 리뷰] REFUGE2 Challenge: A Treasure Trove for Multi-Dimension Analysis and Evaluation in Glaucoma Screening

Huihui Fang, Fei Li외 26명|arXiv (Cornell University)|2022. 02. 18.

Retinal Imaging and Analysis인용 수 16

한 줄 요약

이 논문은 녹내망 분류, 시신경두/컵 분할, 중심망막부위 정위를 위한 포괄적인 애너테이션을 포함한 대규모, 다기기, 다품질의 색채 안저 이미지 데이터셋인 REFUGE2 챌린지를 소개한다. 이는 다양한 실제 임상 환경에서의 영상 조건을 고려한 딥러닝 모델의 견고한 평가를 가능하게 하며, 다중 작업 학습 및 U-Net, YOLOv5, HRNet와 같은 고급 아키텍처를 통해 일반화 능력 향상을 입증한다.

ABSTRACT

With the rapid development of artificial intelligence (AI) in medical image processing, deep learning in color fundus photography (CFP) analysis is also evolving. Although there are some open-source, labeled datasets of CFPs in the ophthalmology community, large-scale datasets for screening only have labels of disease categories, and datasets with annotations of fundus structures are usually small in size. In addition, labeling standards are not uniform across datasets, and there is no clear information on the acquisition device. Here we release a multi-annotation, multi-quality, and multi-device color fundus image dataset for glaucoma analysis on an original challenge -- Retinal Fundus Glaucoma Challenge 2nd Edition (REFUGE2). The REFUGE2 dataset contains 2000 color fundus images with annotations of glaucoma classification, optic disc/cup segmentation, as well as fovea localization. Meanwhile, the REFUGE2 challenge sets three sub-tasks of automatic glaucoma diagnosis and fundus structure analysis and provides an online evaluation framework. Based on the characteristics of multi-device and multi-quality data, some methods with strong generalizations are provided in the challenge to make the predictions more robust. This shows that REFUGE2 brings attention to the characteristics of real-world multi-domain data, bridging the gap between scientific research and clinical application.

연구 동기 및 목표

• 실제 임상 환경에서 녹내망 스크리닝을 위한 대규모, 다양한 종류, 잘 애너테이션된 안저 이미지 데이터셋의 부족을 해결하기 위해.
• 다기기 및 다품질 데이터를 포함한 기준 데이터셋을 제공하여 과학적 연구와 임상 적용 간 격차를 메우기 위해.
• 녹내망 분류, 시신경두/컵 분할, 중심망막부위 정위와 같은 다중 작업에 걸쳐 딥러닝 모델의 종합적 평가를 가능하게 하기 위해.
• 다양한 영상 장치와 영상 품질 수준에서의 데이터 변동성을 통합함으로써 일반화 가능한 AI 모델 개발을 촉진하기 위해.
• 녹내망 스크리닝 알고리즘의 일관된 기준 평가를 위한 표준화된 온라인 평가 프레임워크를 구축하기 위해.

제안 방법

• REFUGE2 데이터셋은 다수의 장치에서 수집된 2000장의 색채 안저 영상으로 구성되며, 녹내망 상태, 시신경두 및 컵 분할, 중심망막부위 정위에 대해 애너테이션이 제공되었다.
• 챌린지는 세 가지 하위 작업을 포함한다: (1) 녹내망 분류, (2) 시신경두 및 컵 분할, (3) 중심망막부위 정위이며, 각 작업에 전용 평가 프로토콜이 존재한다.
• 참가자들은 U-Net 변종(효율넷-B5 및 ResNet-50 인코더 포함), YOLOv5를 활용한 객체 탐지, HRNet를 활용한 특징 추출 등 다양한 딥러닝 아키텍처를 활용하였다.
• 중심망막부위 정위는 거리 맵 회귀, 히트맵 회귀, 그리고 크롭드 패치와 다중 해상도 특징 융합을 활용한 코arse-to-fine 전략을 통해 접근되었다.
• 모델들은 Bi-Distance 맵 회귀, 특징 정렬을 위한 ROIAlign, 그리고 굵은 및 미세 특징을 융합하는 레이어(예: FuseLayer)와 같은 고급 기법을 사용하였다.
• 앙상블 방법을 적용하여, 특히 중심망막부위 정위에서 성능을 향상시켰으며, 여러 모델의 예측을 융합하였다.

실험 결과

연구 질문

• RQ1 다기기, 다품질의 안저 영상에서 훈련된 다양한 딥러닝 아키텍처가 녹내망 스크리닝에서 어떻게 성능을 발휘하는가?
• RQ2 시신경두, 컵, 중심망막부위와 같은 다수의 안저 구조를 함께 학습함으로써 모델의 일반화 능력과 정위 정확도는 얼마나 향상되는가?
• RQ3 영상 품질과 장치의 다양성이 녹내망 검출 및 해부학적 구조 분할 모델의 성능에 어떤 영향을 미치는가?
• RQ4 코어스-투-파인 전략과 다중 해상도 특징 융합은 다양한 안저 영상에서 중심망막부위 정위의 견고성을 어떻게 향상시키는가?
• RQ5 임상 수준의 안저 영상에서 중심망막부위 정위에 대해 거리 맵 회귀가 객체 탐지 또는 히트맵 회귀보다 어떤 영향을 미치는가?

주요 결과

• REFUGE2 데이터셋은 다양한 장치와 변동하는 품질 수준의 영상을 포함함으로써 안저 영상 기준 평가의 다양성과 현실성을 크게 향상시켰다.
• 다중 해상도 패치 크롭 및 코어스-투-파인 전략을 활용한 모델은 특히 낮은 품질의 영상 조건에서 중심망막부위 정위 정확도를 향상시켰다.
• 특히 효율넷-B5 또는 사전 학습된 HRNet를 사용한 U-Net 기반의 거리 맵 회귀 접근 방식이 표준 분류 및 탐지 기반 베이스라인을 능가하여 중심망막부위 정위에서 뛰어난 성능을 보였다.
• 앙상블 모델은 중심망막부위 정위에서 뛰어난 성능을 보였으며, '기각' 품질 영상 포함 모든 영상 품질 구간에서 중앙값 정위 오차가 감소하였다.
• 시신경두와 중심망막부위의 상대적 위치와 같은 해부학적 관계를 Bi-Distance 맵를 통해 통합함으로써 정위 일관성이 향상되고 오차율이 감소하였다.
• 챌린지 프레임워크는 영상 획득 과정에서의 실제 변동성을 포함한 훈련 데이터가 모델 일반화 능력을 크게 향상시킨다는 점을 드러내었으며, 임상 적용 가능성을 뒷받침한다.