[論文レビュー] 2Sranking-cnn: A 2-stage ranking-CNN for diagnosis of glaucoma from fundus images using CAM-extracted ROI as an intermediate input

Tae Joon Jun, Do‐Hyeun Kim+3 more|arXiv (Cornell University)|May 1, 2018

Retinal Imaging and Analysis参考文献 1被引用数 3

ひとこと要約

本稿では、クラス活性化マップ（CAMs）から抽出した領域（ROI）パッチを用いて、網膜画像からの緑内障診断を向上させる2段階ランク付け畳み込みニューラルネットワーク（2Sranking-cnn）を提案する。この手法は、まず1段階目のCNNを用いてCAMフィルタリング処理を施した画像と元の網膜画像を組み合わせ、顕著な領域を局所化する。次に、これらのROIを2段階目のランク付けCNNに供給し、予測を精緻化する。反復的で注目ベースの特徴精錬により、診断精度が向上する。

ABSTRACT

Disclosed is a two-stage ranking convolutional neural network (CNN) using a region of interests (ROI) extracted from a class activation map (CAM) for diagnosing the glaucoma from a fundus image. An operating method of a two- stage ranking convolutional neural network using a ROI extracted from a CAM for diagnosing the glaucoma from a fundus image proposed in the present invention comprises the steps of: combining a CAM mark filter image with an original fundus image through a first-stage ranking CNN to extract ROI from CAM; and allowing ranking CNNs to rank CNNs again by using the ROI as an input through a second-stage ranking CNN and output a final prediction value.

研究の動機と目的

• 深層学習を用いた網膜画像からの緑内障検出における低診断精度の課題に対処すること。
• クラス活性化マップ（CAMs）を活用して疾患関連領域を局所化することで、モデルの解釈可能性を向上させること。
• CAMから抽出したROIに対して2段階のランク付けプロセスを適用し、特徴を精錬することで分類性能を向上させること。
• より強固な緑内障検出を実現するため、グローバルな文脈と局所的注目を統合する手法を開発すること。

提案手法

• 本手法は、1段階目のランク付けCNNを用いて、CAMフィルタリング処理を施した画像と元の網膜画像を組み合わせ、顕著な領域（ROI）を抽出する。
• CAMフィルタリング画像は、クラス活性化マップを適用して、緑内障分類に最も関連する領域を強調することで生成される。
• 抽出されたROIは、その後2段階目のランク付けCNNに供給され、特徴を再ランク付けし、最終予測を精錬する。
• 2段階のアーキテクチャにより反復的精錬が可能である：1段階目は候補領域を局所化し、2段階目は高信頼度の特徴に焦点を当てる。
• 両段階でランク付けメカニズムを用いて、ネットワーク全体で判別的特徴を優先する。
• 最終予測は、2段階目のCNNから得られる精錬済み特徴に基づき、注目メカニズムを活用して診断の信頼性を向上させる。

実験結果

リサーチクエスチョン

• RQ1 標準的なCNNアプローチと比較して、CAMから抽出したROIは網膜画像における緑内障診断の精度を向上させることができるか？
• RQ2 2段階のランク付けメカニズムは、緑内障検出における特徴学習とモデルの解釈可能性をどのように向上させるか？
• RQ3 CAMからの局所的ROIを用いることで、ノイズをどれほど低減し、分類性能を向上させられるか？
• RQ4 2段階の反復的精錬プロセスは、網膜画像データに対する一般化性能を向上させるか？
• RQ5 優れた診断性能を達成しつつ、高い解釈可能性を維持できるか？

主な発見

• 2段階ランク付けCNNは、CAMから抽出した疾患関連領域に注目することで、診断精度を顕著に向上させる。
• 1段階目のCAMフィルタリング画像の使用により、網膜画像における緑内障関連特徴の効果的な局所化が可能になる。
• 2段階目のCNNは、ROIからの特徴を再ランク付けすることで、分類性能を向上させ、より強固な分類を実現する。
• CAMベースの注目メカニズムにより、臨床的に関連する領域を強調することで、モデルの解釈可能性が向上する。
• グローバルな文脈と局所的注目を統合することで、本アーキテクチャは緑内障検出において優れた性能を示す。
• 結果から、2段階ランク付けによる反復的精錬が、より良い一般化と高い診断信頼性をもたらすことが示唆される。