[논문 리뷰] Web Applicable Computer-aided Diagnosis of Glaucoma Using Deep Learning

Mijung Kim, Olivier Janssens외 4명|arXiv (Cornell University)|2018. 12. 06.

Retinal Imaging and Analysis참고 문헌 11인용 수 6

한 줄 요약

이 논문은 단일 망막 영상만을 사용하여 논문에서 제안한 웹 통합 딥러닝 시스템을 통해 녹내장 진단 및 병변 위치 특정을 위한 VGG16 CNN을 미세조정하고 Grad-CAM을 활용하여 해석 가능성을 확보하였다. 분할 마커가 없는 소규모 데이터셋에서 91%의 정확도와 0.94의 AUC를 달성하여 강력한 성능과 임상적 해석 가능성을 입증하였으며, 공개된 프로토타입 웹 앱을 통해 구현되었다.

ABSTRACT

Glaucoma is a major eye disease, leading to vision loss in the absence of proper medical treatment. Current diagnosis of glaucoma is performed by ophthalmologists who are often analyzing several types of medical images generated by different types of medical equipment. Capturing and analyzing these medical images is labor-intensive and expensive. In this paper, we present a novel computational approach towards glaucoma diagnosis and localization, only making use of eye fundus images that are analyzed by state-of-the-art deep learning techniques. Specifically, our approach leverages Convolutional Neural Networks (CNNs) and Gradient-weighted Class Activation Mapping (Grad-CAM) for glaucoma diagnosis and localization, respectively. Quantitative and qualitative results, as obtained for a small-sized dataset with no segmentation ground truth, demonstrate that the proposed approach is promising, for instance achieving an accuracy of 0.91$\pm0.02$ and an ROC-AUC score of 0.94 for the diagnosis task. Furthermore, we present a publicly available prototype web application that integrates our predictive model, with the goal of making effective glaucoma diagnosis available to a wide audience.

연구 동기 및 목표

• 다양한 영상 모odalities에 의존하지 않고 단일 망막 영상만을 사용하여 녹내장 진단을 위한 컴퓨터 지원 진단 시스템을 개발한다.
• 이식 학습과 데이터 증강을 활용하여 의료 데이터 부족 및 분할 마커가 없는 문제를 해결한다.
• 수동 분할 마커가 필요 없이 단일 모델을 통해 녹내장 진단 및 병변 위치 특정을 가능하게 한다.
• 비전문가 사용자도 쉽게 사용할 수 있는 사용자 친화적인 공개 웹 애플리케이션을 구축하여 실제 임상 환경에 적용할 수 있도록 한다.

제안 방법

• 녹내장 분류를 위해 사전 훈련된 VGG16 모델을 소규모 망막 영상 데이터셋에 대해 미세조정하였으며, 최종 완전 연결 층을 완전 컨볼루션 층으로 교체하였다.
• 일반화 성능 향상을 위해 무작위 자르기, 수평 뒤집기, 무작위 밝기 조정(sigmoid ±0.8) 등의 데이터 증강 기법을 적용하였다.
• 각 컨볼루션 블록 뒤에 드롭아웃 레이어(비율 0.5)를 적용하고 ADAM 옵timizer를 사용하여 과적합을 줄이고 훈련 안정성을 향상시켰다.
• 분할 마커가 없는 상황에서도 병변 영역을 시각화하고 특정하기 위해 Grad-CAM을 활용하였다.
• 과적합 방지를 위해 에포크 80에서 조기 조기 중단 기법을 사용한 5겹 교차 검증을 수행하였다.
• 훈련된 모델을 프로토타입 웹 애플리케이션에 통합하여 드래그 앤 드롭 방식의 이미지 입력과 실시간 확률 출력, 시각적 주의 맵을 제공하는 기능을 구현하였다.

실험 결과

연구 질문

• RQ1 분할 마커가 없는 망막 영상만을 사용하여 딥러닝 모델이 녹내장 진단에 대해 높은 정확도를 달성할 수 있는가?
• RQ2 분할 마커가 없는 상황에서 Grad-CAM은 녹내장 병변 영역을 얼마나 효과적으로 특정할 수 있는가?
• RQ3 데이터 증강 및 모델 정규화 기법은 소규모 의료 데이터셋에서 과적합을 어느 정도 완화할 수 있는가?
• RQ4 웹 기반 인터페이스는 비전문가 사용자에게 임상적으로 해석 가능한 딥러닝 모델을 효과적으로 제공할 수 있는가?
• RQ5 제한된 마커가 있는 다른 데이터셋에서 훈련된 경우, 이 방법의 성능은 기존 방법과 비교하여 어떠한가?

주요 결과

• 제안된 모델은 분할 마커가 없는 소규모 망막 영상 데이터셋에서 진단 정확도 0.91 ± 0.02와 ROC-AUC 점수 0.94를 달성하였다.
• 모델은 클래스별 성능이 뛰어나 재현율 0.91, 정밀도 0.92, F1 점수 0.91를 기록하였다.
• 클리닉의 검토 결과, Grad-CAM 시각화 결과 대부분의 녹내장 환자에서 이상 징후 영역을 정확히 특정하였지만, 영상 흐림 또는 저품질로 인한 일부 오류가 발생하였다.
• VGG16에 데이터 증강 및 드롭아웃을 적용한 모델은 증강 없이 간단한 아키텍처(AlexNet)를 사용한 모델보다 일반화 성능이 뛰어났다.
• 프로토타입 웹 애플리케이션은 모델을 성공적으로 통합하여 사용자 우아한 드래그 앤 드롭 인터페이스를 통해 실시간 진단 및 주의 맵 시각화를 가능케 하였다.
• 다른 데이터셋에서 훈련된 이전의 AlexNet 기반 접근법보다 성능이 뛰어났으며, 이는 VGG16의 뛰어난 표현 능력과 데이터 증강 기법의 활용 덕분으로 보인다.