[논문 리뷰] RetiNet: Automatic AMD identification in OCT volumetric data

Stefanos Apostolopoulos, Carlos Ciller외 3명|arXiv (Cornell University)|2016. 10. 12.

Retinal Imaging and Analysis인용 수 15

한 줄 요약

RetiNet는 단일 볼륨 수준 레이블만을 사용하여 OCT 볼륨에서 자가연관성 망막병변(AMD)을 자동으로 진단하기 위한 이단계적 약한 감독 기반 딥 러닝 프레임워크를 제안한다. 먼저 손상된 가짜 레이블을 기반으로 2D B-scan 분류기를 훈련한 후, 이러한 특징을 3D 모자이크 기반 네트워크에 활용하여 전체 OCT 볼륨을 분류한다. 공개 데이터셋에서 99.7% AUC를 달성하여 최신 기술을 능가한다.

ABSTRACT

Optical Coherence Tomography (OCT) provides a unique ability to image the eye retina in 3D at micrometer resolution and gives ophthalmologist the ability to visualize retinal diseases such as Age-Related Macular Degeneration (AMD). While visual inspection of OCT volumes remains the main method for AMD identification, doing so is time consuming as each cross-section within the volume must be inspected individually by the clinician. In much the same way, acquiring ground truth information for each cross-section is expensive and time consuming. This fact heavily limits the ability to acquire large amounts of ground truth, which subsequently impacts the performance of learning-based methods geared at automatic pathology identification. To avoid this burden, we propose a novel strategy for automatic analysis of OCT volumes where only volume labels are needed. That is, we train a classifier in a semi-supervised manner to conduct this task. Our approach uses a novel Convolutional Neural Network (CNN) architecture, that only needs volume-level labels to be trained to automatically asses whether an OCT volume is healthy or contains AMD. Our architecture involves first learning a cross-section pathology classifier using pseudo-labels that could be corrupted and then leverage these towards a more accurate volume-level classification. We then show that our approach provides excellent performances on a publicly available dataset and outperforms a number of existing automatic techniques.

연구 동기 및 목표

• OCT 볼륨에서 AMD 진단을 위한 B-scan 수준의 정답 레이블이 제한적으로 가용한 문제를 해결하기 위해.
• 정확한 B-scan 수준의 레이블이 필요로 하지 않는 약한 감독 학습 전략을 개발하여 레이블링 부담을 줄이기 위해.
• 각 슬라이스 레이블이 필요 없이 3D OCT 볼륨 전반에 걸쳐 병적 특징을 효과적으로 포착할 수 있는 새로운 CNN 아키텍처를 설계하기 위해.
• 저해상도 레이블만을 사용하여도 기존 방법보다 AUC 및 임상적으로 유의미한 지표에서 뛰어난 성능을 내는 것을 목표로 하기 위해.

제안 방법

• 2단계 훈련 전략: 먼저 볼륨 수준 레이블에서 유도된 손상된 가짜 레이블을 사용하여 B-scans에서 2D CNN을 사전 훈련한다.
• 단일 OCT 볼륨의 B-scans 모자이크를 입력으로 처리하는 볼륨 수준 분류 네트워크(RetiNet C).
• 횡단면 간 해부학적 맥락을 유지하기 위해 평탄화 및 정규화를 포함한 OCT 전용 데이터 전처리.
• 마지막 합성곱층의 활성화 맵을 활용하여 병적 특징(예: 드루센 및 RPE 손상)에 대한 네트워크의 주의를 시각화하고 해석한다.
• 5겹 교차검증을 통한 훈련 및 ImageNet 사전 훈련된 네트워크(VGG19, ResNet, DenseNet)와 약한 감독 기반 기준 모델(2DSeg)과의 비교.
• 세미-감독 학습 접근법을 도입하여 세부 레이블이 부족함에도 불구하고 높은 모델 일반화 능력을 유지한다.

실험 결과

연구 질문

• RQ1 B-scan 수준의 레이블이 전혀 필요 없이 볼륨 수준 레이블만으로도 딥 러닝 모델이 높은 성능을 달성할 수 있는가?
• RQ2 손상된 가짜 레이블에서 학습하는 2단계 CNN 아키텍처가 OCT 병리 분류에 있어 분류 가능한 특징을 얼마나 효과적으로 학습하는가?
• RQ3 동일한 데이터셋에서 전체 감독 또는 약한 감독으로 훈련된 기존 최신 기술 모델보다 RetiNet은 어느 정도 뛰어난 성능을 보이는가?
• RQ4 명시적인 국소화 레이블 없이도 모델이 드루센 및 RPE 손상과 같은 병적 특징을 OCT 볼륨 내에서 국소화할 수 있는가?

주요 결과

• RetiNet C는 공개 OCT 데이터셋에서 99.7%의 AUC를 기록하여 Farsiu 등(99.17%)의 반자동 방법과 Venhuizen 등(98.4%)의 자동 방법을 뛰어넘었다.
• ImageNet 사전 훈련된 네트워크(VGG19, ResNet, DenseNet)는 훈련 데이터가 제한되어 있어 심한 과적합을 보였지만, RetiNet는 이에 비해 뛰어난 성능을 보였다.
• 2DSeg 약한 감독 방법은 저자들의 원래 연구 결과와 일치하게 일반화 능력이 열악하여 기존 약한 감독 접근법의 한계를 드러냈다.
• 마지막 합성곱층의 활성화 맵은 AMD 환자에서 드루센 및 RPE 손상과 같은 병적 영역을 명확히 강조했으며, 건강한 볼륨에서는 더 약한 반응을 보였다.
• 훈련 과정은 안정적이며 일반화 능력이 뛰어났으며, 70 에포크가 지난 후에도 심각한 과적합이 관찰되지 않아 약한 감독에서 효과적인 특징 학습이 이루어졌음을 시사했다.
• 경증 AMD 사례에서는 어려움을 겪었으며, 병적 변화가 미세한 경우에서 잘못된 분류가 발생함으로써 조기 진단 향상을 위한 개선이 필요함을 시사했다.