[논문 리뷰] Towards Ophthalmologist Level Accurate Deep Learning System for OCT Screening and Diagnosis

Mrinal Haloi|arXiv (Cornell University)|2018. 12. 12.

Retinal Imaging and Analysis참고 문헌 11인용 수 7

한 줄 요약

이 논문은 깊이 학습 기반의 완전 자동화된 OCT 스크리닝 시스템을 제시하며, CNV, DME, Drusen 및 정상 망막 상태를 진단하는 데 전문 안과의사 수준의 정확도를 달성한다. 250층의 주의 메커니즘을 갖춘 완전 컨volution 신경망과 고급 전이 학습, 온라인 무작위 증강 기법을 활용한 모델은 대규모 공개 OCT 데이터셋에서 100% 민감도와 특이도를 기록하여 분류 과제에서 인간 전문가를 능가한다.

ABSTRACT

In this work, we propose an advanced AI based grading system for OCT images. The proposed system is a very deep fully convolutional attentive classification network trained with end to end advanced transfer learning with online random augmentation. It uses quasi random augmentation that outputs confidence values for diseases prevalence during inference. Its a fully automated retinal OCT analysis AI system capable of pathological lesions understanding without any offline preprocessing/postprocessing step or manual feature extraction. We present a state of the art performance on the publicly available Mendeley OCT dataset.

연구 동기 및 목표

• OCT 스캔에서 망막 질환을 진단할 수 있는 AI 시스템을 개발하여 인간 전문 안과의사의 성능을 도달하거나 초월하도록 한다.
• 수동 전처리 또는 특징 공학을 제거하기 위해 종단 간(end-to-end) 학습이 가능한 완전 자동화된 모델을 구축한다.
• 특히 원거리 또는 자원이 부족한 지역에서 정확한 맹막 질환 스크리닝의 접근성을 향상시킨다.
• OCT 영상에서 시간적 및 공간적 특징 학습을 통해 진단 속도와 일관성을 향상시킨다.
• 최소한의 레이블 데이터로도 강력한 일반화 능력을 보이며, Mendeley OCT 데이터셋에서 최첨단 성능을 입증한다.

제안 방법

• 약 5,000만 개의 학습 가능한 파라미터와 250층을 갖춘 매우 깊은 완전 컨volution 신경망 주의 분류 네트워크를 개발하였다.
• 모델는 고급 전이 학습을 활용한 종단 간 학습을 수행하며, ChestXray-14 데이터셋에서 사전 훈련된 변동형 오토인코더( variational auto-encoder)를 초기 가중치로 사용한다.
• 온라인 무작위 데이터 증강에는 무작위 반전, 색상 왜곡(Hue, 채도, 대비 조정), 입력 패치의 무작위 마스킹이 포함된다.
• 입력 이미지는 256×256×3으로 리사이징되고, 표준화를 위해 224×224×3으로 자르며, 각 이미지의 평균 및 표준편차를 사용하여 표준화되었다.
• 안정적인 훈련을 위해 텐서플로우 기반 프레임워크인 TEFLA를 활용하였으며, 배치 정규화, 네스터로프 모멘텀, 기울기 정규화를 적용하였다.
• 과적합 방지를 위해 레이블 스무딩, 드롭아웃, 배치 샘플 밸런싱 기법을 적용하여 일반화 능력을 향상시켰다.

실험 결과

연구 질문

• RQ1 수동 특징 추출 없이도 깊이 학습 모델이 OCT 영상 분류에서 전문 안과의사 수준의 진단 정확도를 달성할 수 있는가?
• RQ2 관련된 의료 영상 데이터셋(ChestXray-14)에서의 고급 전이 학습이 더 작은 OCT 데이터셋에서의 성능 향상에 어떻게 기여하는가?
• RQ3 온라인 무작위 데이터 증강, 특히 무작위 마스킹이 모델의 일반화 능력과 강건성에 얼마나 기여하는가?
• RQ4 완전 자동화된 종단 간 딥 러닝 시스템이 인간 전문가보다 민감도와 특이도 측면에서 우수한 성능을 보일 수 있는가?
• RQ5 모델은 다수의 질환 유형에 대해 정상과 병변이 있는 OCT 스캔을 얼마나 잘 구분하는가?

주요 결과

• 테스트 세트에서 정상 대 비정상 OCT 스캔의 이진 분류 과제에서 모델은 100% 민감도와 100% 특이도를 기록하였다.
• 다중 클래스 분류 과제에서 정상, CNV, DME, Drusen 각 클래스에 대해 정밀도, 재현율, F1 점수 모두 100%를 달성하였다.
• 수신기 작동 특성(ROC) 곡선 분석 결과, 정상 대 비정상 분류에서 AUC가 1.0로 나타나 완벽한 분류 성능을 보였다.
• T-SNE 시각화 결과, 모델이 학습한 특징들이 임베딩 공간에서 다양한 질환 유형을 명확히 분리하고 있음을 확인하였다.
• 히트맵 분석 결과, 모델이 CNV, DME, Drusen와 관련된 임상적으로 중요한 망막 영역에 주로 집중하고 있음을 확인하였다.
• 동일한 분류 과제에서 평균 인간 전문 안과의사보다 시스템이 일관성과 속도 측면에서 뛰어난 성능을 보였다.