[논문 리뷰] State-of-the-Art Periorbital Distance Prediction and Disease Classification Using Periorbital Features

George R. Nahass, Sasha Hubschman외 10명|arXiv (Cornell University)|2024. 09. 27.

Medical Imaging and Analysis인용 수 5

한 줄 요약

본 논문은 최첨단 정확도를 달성하는 안와주변 분할 파이프라인을 개발하고, ID 및 OOD 설정에서 질병 분류를 위한 특징으로 안와주변 거리 예측을 조사하며, OOD 작업에서 CNN보다 우수한 성능을 보인다.

ABSTRACT

Periorbital distances are critical markers for diagnosing and monitoring a range of oculoplastic and craniofacial conditions. Manual measurement, however, is subjective and prone to intergrader variability. Automated methods have been developed but remain limited by standardized imaging requirements, small datasets, and a narrow focus on individual measurements. We developed a segmentation pipeline trained on a domain-specific dataset of healthy eyes and compared its performance against the Segment Anything Model (SAM) and the prior benchmark, PeriorbitAI. Segmentation accuracy was evaluated across multiple disease classes and imaging conditions. We further investigated the use of predicted periorbital distances as features for disease classification under in-distribution (ID) and out-of-distribution (OOD) settings, comparing shallow classifiers, CNNs, and fusion models. Our segmentation model achieved state-of-the-art accuracy across all datasets, with error rates within intergrader variability and superior performance relative to SAM and PeriorbitAI. In classification tasks, models trained on periorbital distances matched CNN performance on ID data (77--78\% accuracy) and substantially outperformed CNNs under OOD conditions (63--68\% accuracy vs. 14\%). Fusion models achieved the highest ID accuracy (80\%) but were sensitive to degraded CNN features under OOD shifts. Segmentation-derived periorbital distances provide robust, explainable features for disease classification and generalize better under domain shift than CNN image classifiers. These results establish a new benchmark for periorbital distance prediction and highlight the potential of anatomy-based AI pipelines for real-world deployment in oculoplastic and craniofacial care.

연구 동기 및 목표

• 안와주변 거리를 안와성형 및 두개안면 질환의 강건한 바이오마커로서 동기를 부여한다.
• 건강한 눈에 특화된 도메인 분할 파이프라인을 개발하고 기존 모델과 비교한다.
• 예측된 안와주변 거리가 ID 및 OOD 조건에서 질병 분류를 위한 특징으로 어떻게 활용될 수 있는지 평가한다.

제안 방법

• 건강한 눈 데이터셋에서 도메인 특화 분할 모델을 학습한다.
• Segment Anything Model (SAM)와 PeriorbitAI에 대해 분할 성능을 비교한다.
• 분할 출력에서 안와주변 거리를 추출하고 얕은 신경망, CNN 및 융합 모델의 특징으로 사용한다.
• ID 및 OOD 성능을 평가한다.
• 해부학 기반 특징과 CNN 특징의 설명가능성과 강건성을 평가한다.

실험 결과

연구 질문

• RQ1 도메인 특화 분할 모델이 다양한 질환 클래스와 영상 조건에서도 최첨단 안와주변 분할 정확도를 달성할 수 있는가?
• RQ2 ID 조건에서 안와주변 거리 특징이 CNN과 비교해 경쟁력 있는 질병 분류를 가능하게 하는가?
• RQ3 거리 기반 특징이 도메인 이동(OOD)에서 CNN 특징보다 더 강건한가?
• RQ4 융합 모델이 ID 성능에 미치는 영향과 OOD 이동에서의 민감도는 어떤가?

주요 결과

• 분할 모델은 최첨단 정확도로, 해석자 간 변동성 내의 오차를 보이며 SAM 및 PeriorbitAI를 능가한다.
• 거리 기반 특징은 ID 질병 분류에서 77–78%의 정확도를 얻어 CNN 성능과 일치한다.
• OOD 조건에서 거리 기반 방법이 CNN을 크게 앞선다(63–68% 대 14%).
• 융합 모델은 가장 높은 ID 정확도(약 80%)에 도달하지만 OOD 이동 시 CNN 특징이 약화되면 성능이 저하된다.
• 전반적으로 분할에서 유도된 거리 특성은 도메인 이동하에서 CNN 이미지 분류기보다 더 잘 일반화되는 강건하고 설명 가능한 특징을 제공한다.