[논문 리뷰] A Deep Learning based Joint Segmentation and Classification Framework for Glaucoma Assesment in Retinal Color Fundus Images

Arunava Chakravarty, Jayanthi Sivaswamy|arXiv (Cornell University)|2018. 07. 29.

Retinal Imaging and Analysis참고 문헌 11인용 수 15

한 줄 요약

이 논문은 망막 색소 영상에서 녹내상 분류와 함께 망막신경절(OD)과 망막신경구멍(OC)을 동시에 분할하는 경량 다중 작업 딥 컨볼루션 신경망을 제안한다. 분할 및 분류 작업 간에 특징을 공유하고 외관 및 구조적 특징을 조합함으로써 모델은 높은 정확도를 달성한다—OD의 덱스 스코어는 0.92, OC는 0.84이며, 녹내상 분류의 AUC는 0.95를 기록한다. 이는 다양한 영상 장치와 작은 데이터셋에서도 강력한 일반화 능력을 보여준다.

ABSTRACT

Automated Computer Aided diagnostic tools can be used for the early detection of glaucoma to prevent irreversible vision loss. In this work, we present a Multi-task Convolutional Neural Network (CNN) that jointly segments the Optic Disc (OD), Optic Cup (OC) and predicts the presence of glaucoma in color fundus images. The CNN utilizes a combination of image appearance features and structural features obtained from the OD-OC segmentation to obtain a robust prediction. The use of fewer network parameters and the sharing of the CNN features for multiple related tasks ensures the good generalizability of the architecture, allowing it to be trained on small training sets. The cross-testing performance of the proposed method on an independent validation set acquired using a different camera and image resolution was found to be good with an average dice score of 0.92 for OD, 0.84 for OC and AUC of 0.95 on the task of glaucoma classification illustrating its potential as a mass screening tool for the early detection of glaucoma.

연구 동기 및 목표

• 색소 영상에서 망막신경절과 망막신경구멍을 동시에 분할하고 녹내상을 분류할 수 있는 통합 딥 러닝 프레임워크를 개발하는 것.
• 여러 관련 작업 간에 컨볼루션 특징을 공유함으로써 일반화 능력을 향상시키고 과적합을 줄이는 것.
• 망막신경절-망막신경구멍 분할에서 유도된 외관 및 구조적 특징을 조합하여 더 견고한 녹내상 분류를 위한 것.
• 네트워크 파rameter를 최소화하고 특징 공유를 활용함으로써 작은 데이터셋에서도 성능을 확보하는 것.
• 실제 스크리닝 조건을 시뮬레이션하기 위해 다양한 영상 장치 및 해상도에서의 성능에 대한 내구성 평가를 수행하는 것.

제안 방법

• 망막신경절과 망막신경구멍의 공동 분할을 위해 스킵 연결이 있는 유-넷 유사 인코더-디코더 아키텍처를 사용한다.
• 입력은 강도 임계값 처리와 허프 변환을 사용해 망막신경절 주변의 관심 영역(ROI)으로 자르며, 이로 인해 계산 부담이 감소한다.
• 분할 출력은 타원형 피팅을 통해 개선되어 망막신경절 경계 정확도가 향상된다.
• 공유된 인코더 특징 맵을 통해 외관 및 구조적 특징을 추출한다: 128채널 특징 맵은 3×3 컨볼루션 레이어를 통해 처리되며, 2채널 망막신경절-망막신경구멍 마스크는 스트라이드 2로 연속된 3×3 컨볼루션을 거쳐 고수준의 구조적 특징을 추출한다.
• 분류 헤드는 이러한 특징을 완전히 연결된 레이어를 통해 조합하여 녹내상 유무를 예측한다.
• 400장의 영상 트레이닝 세트(정상 360장, 녹내상 40장)에서 4겹 교차검증을 수행하였으며, 외부 사이트 검증 세트의 예측 결과는 네 개의 트레이닝된 모델 평균값을 취해 평균화하였다.

실험 결과

연구 질문

• RQ1 일관된 다중 작업 CNN 아키텍처가 망막신경절 및 망막신경구멍 분할과 함께 녹내상 분류를 동시에 수행하면서 일반화 능력이 향상되는가?
• RQ2 공유된 CNN 내에서 외관 및 구조적 특징을 조합하면, 각각을 별도로 사용하는 것보다 분류의 견고성이 향상되는가?
• RQ3 다른 카메라와 해상도로 촬영된 영상에서 테스트했을 때 모델의 성능은 어떠한가? 이는 실생활에의 구현 가능성에 대한 시사를 제공한다.
• RQ4 작은, 파rameter 효율적인 네트워크가 과적합 없이 작은 데이터셋에서 최신 기술 수준의 성능을 달성할 수 있는가?
• RQ5 작업 간 특징 공유가 모델 성능과 일반화 능력을 얼마나 향상시키는가?

주요 결과

• 교차검증 세트에서 망막신경절 분할의 평균 덱스 스코어는 0.96 ± 0.07, 망막신경구멍 분할은 0.86 ± 0.09를 기록하였다.
• 독립적인 외부 사이트 검증 세트(다른 카메라와 해상도로 촬영됨)에서도 높은 성능을 유지하여 망막신경절의 덱스 스코어는 0.92, 망막신경구멍은 0.84를 기록하였다.
• 교차검증 세트에서 녹내상 분류의 AUC는 0.96, 외부 사이트 검증 세트에서는 0.95를 기록하여 강력한 진단 성능를 입증하였다.
• 학습 세트와 교차검증 세트 간 성능 저하가 최소화되어 다양한 영상 장치 및 해상도에서의 내구성이 입증되었다.
• 단지 609,170개의 파rameter만을 가지므로 DENet과 같은 최신 기술 수준 아키텍처보다 훨씬 작아, 과적합 없이 제한된 데이터로도 학습이 가능하다.
• CNN 프레임워크 내에서 외관 및 구조적 특징을 통합함으로써 분류의 견고성과 일반화 능력이 향상되었다.