[논문 리뷰] A Benchmark of Ocular Disease Intelligent Recognition: One Shot for Multi-disease Detection

Ning Li, Tao Li외 3명|arXiv (Cornell University)|2021. 02. 16.

Retinal Imaging and Analysis참고 문헌 29인용 수 12

한 줄 요약

이 논문은 5,000명의 환자에서 유래한 10,000장의 양안 녹내지 영상으로 구성된 OIA-ODIR라는 벤치마크 데이터셋을 소개한다. 이 데이터셋은 8종의 안과 질환에 대해 주석 처리되어 있어 일회성 다질환 탐지 기능을 가능하게 한다. 실험 결과, 네트워크의 깊이를 늘리는 것만으로는 성능 향상이 이루어지지 않지만, 잘 구성된 특징 융합 및 넓은 또는 앙상블 네트워크는 다질환 분류 정확도를 크게 향상시킨다.

ABSTRACT

In ophthalmology, early fundus screening is an economic and effective way to prevent blindness caused by ophthalmic diseases. Clinically, due to the lack of medical resources, manual diagnosis is time-consuming and may delay the condition. With the development of deep learning, some researches on ophthalmic diseases have achieved good results, however, most of them are just based on one disease. During fundus screening, ophthalmologists usually give diagnoses of multi-disease on binocular fundus image, so we release a dataset with 8 diseases to meet the real medical scene, which contains 10,000 fundus images from both eyes of 5,000 patients. We did some benchmark experiments on it through some state-of-the-art deep neural networks. We found simply increasing the scale of network cannot bring good results for multi-disease classification, and a well-structured feature fusion method combines characteristics of multi-disease is needed. Through this work, we hope to advance the research of related fields.

연구 동기 및 목표

• 임상 AI 연구를 위한 대규모, 다질환, 양안 녹내지 영상 데이터셋의 부족을 해결하기 위해.
• 실제 임상에서 양안을 모두 검사하는 것과 유사한 방식으로, 녹내지 스크리닝에서 엔드 투 엔드 다질환 분류를 가능하게 하기 위해.
• 딥 러닝 모델의 다질환 녹내지 영상 분류 성능 평가를 위한 기준을 설정하기 위해.
• 단순한 네트워크 스케일링을 넘어서 성능 향상에 기여하는 아키텍처 및 특징 융합 전략을 규명하기 위해.

제안 방법

• 저자들은 5,000명의 환자로부터 양안 영상이 포함된 10,000장의 녹내지 영상을 수집하고 주석 처리했다.
• 각 영상에는 당뇨성 망막병증, 녹내질, 백내장, 노인성 황반변성 등 최대 8종의 안과 질환에 대해 레이블이 부여되었다.
• 다중 레이블 분류를 지원하여 임상적으로 공존하는 병변이 존재하는 현실을 반영한다.
• ResNet, DenseNet, EfficientNet 변종을 포함한 9종의 최첨단 딥 뉴럴 네트워크가 이 데이터셋에서 평가되었다.
• 다양한 네트워크 브랜치를 통해 다질환 특징을 통합하는 특징 융합 전략이 설계되었다.
• 네트워크의 깊이, 넓이, 앙상블 접근 방식 간의 성능을 비교하여 최적의 아키텍처를 규명했다.

실험 결과

연구 질문

• RQ1 딥 러닝 모델은 양안 녹내지 영상에서 일회성 다질환 탐지 기능을 효과적으로 수행할 수 있는가?
• RQ2 다질환 녹내지 분류에서 네트워크의 깊이를 늘리는 것만으로 성능 향상이 이루어지는가?
• RQ3 다양한 질환 특화 표현 간의 특징 융합은 분류 정확도에 어떤 영향을 미치는가?
• RQ4 깊이, 넓이, 또는 앙상블 전략 중 어떤 아키텍처 선택이 이 다질환 벤치마크에서 최고의 성능을 낼 수 있는가?
• RQ5 데이터 불균형과 내부 클래스 다양성은 실제 녹내지 영상에서 모델의 일반화 능력에 어떤 영향을 미치는가?

주요 결과

• 단순히 신경망의 깊이를 늘리는 것만으로는 다질환 녹내지 분류 성능 향상이 이루어지지 않는다.
• 네트워크의 넓이를 늘리거나 앙상블 모델을 사용하면 분류 정확도 향상이 눈에 띄게 이루어진다.
• 다질환 특징을 잘 구성된 방식으로 융합하는 메커니즘이 높은 성능을 내기 위해 필수적이다.
• OIA-ODIR 데이터셋은 촬영 조건의 차이와 질환 표현 방식의 다양성으로 인해 내부 클래스 변동성이 뚜렷하게 드러난다.
• 데이터 불균형 문제는 여전히 도전 과제이며, 특히 희귀 질환의 경우 모델의 일반화 능력에 악영향을 미친다.
• 이 데이터셋은 연령 예측, 이미지 캡션 생성, 다중 모odal 진단을 위한 그래프 신경망 통합 등 새로운 응용 가능성을 제공한다.