[논문 리뷰] Automatic Classification of Bright Retinal Lesions via Deep Network Features

Ibrahim Sadek, Mohamed Elawady외 1명|arXiv (Cornell University)|2017. 07. 07.

Retinal Imaging and Analysis참고 문헌 20인용 수 15

한 줄 요약

이 논문은 사전 훈련된 합성곱 신경망(ResNet, GoogLeNet, VGG-VD, VGG)에서 특징을 추출하여 망막 기저막 영상의 세 가지 클래스(정상, 출현물, 드루센)로 분류하는 딥 트랜스퍼 러닝 접근법을 제안한다. 비선형 분류기(SVM)와 함께 이러한 딥 특징을 사용하여 평균 정확도 92.00%를 달성하였으며, 여섯 개인 공개 데이터셋에서 전통적인 bag-of-words 방법보다 13% 이상 향상된 성능을 보였다.

ABSTRACT

The diabetic retinopathy is timely diagonalized through color eye fundus images by experienced ophthalmologists, in order to recognize potential retinal features and identify early-blindness cases. In this paper, it is proposed to extract deep features from the last fully-connected layer of, four different, pre-trained convolutional neural networks. These features are then feeded into a non-linear classifier to discriminate three-class diabetic cases, i.e., normal, exudates, and drusen. Averaged across 1113 color retinal images collected from six publicly available annotated datasets, the deep features approach perform better than the classical bag-of-words approach. The proposed approaches have an average accuracy between 91.23% and 92.00% with more than 13% improvement over the traditional state of art methods.

연구 동기 및 목표

• 사전 훈련된 CNN에서 추출한 딥 특징을 활용하여 당뇨성 망막병증 병변의 자동 분류를 향상시키는 것.
• 망막 영상에서 정상, 출현물, 드루센 병변을 구분하는 과제를 해결하는 것.
• 다양한 데이터셋에서 정확도와 강건성 면에서 고전적 bag-of-words(BoVW) 방법을 능가하는 것.
• 교차검증을 통해 여섯 개의 공개적으로 이용 가능한, 주석이 달린 망막 영상 데이터셋에서 방법을 검증하는 것.
• 다중 클래스 망막 질환 분류에서 트랜스퍼 러닝이 수작업으로 설계된 특징보다 뛰어난 성능을 보임을 입증하는 것.

제안 방법

• ResNet, GoogLeNet, VGG-VD, VGG의 사전 훈련된 CNN 네 가지에서 마지막 완전 연결층에서 딥 특징을 추출하였다.
• 이러한 특징을 비선형 분류기(SVM)의 입력으로 사용하여 정상, 출현물, 드루센으로 이루어진 세 클래스 분류를 수행하였다.
• 다섯 개의 다른 공개 망막 영상 데이터셋에서 10겹 교차검증을 적용하여 강건한 평가를 수행하였다.
• bag-of-words 기반 방법의 성능 비교를 위해 k-means 군집화를 사용하여 다양한 단어 수(W = 100에서 500까지)로 코드북을 구축하였다.
• 정확도, 민감도, 특이도와 같은 표준 지표를 사용하여 성능을 비교하였다.
• 다양한 네트워크 깊이에서 특징 추출 성능을 평가하였으며, 더 깊은 네트워크에서 더 우수한 성능를 기록하였다.

실험 결과

연구 질문

• RQ1 사전 훈련된 CNN에서 추출한 딥 특징이 망막 병변 분류에서 고전적 bag-of-words 방법보다 뛰어나게 작용할 수 있는가?
• RQ2 ResNet, GoogLeNet, VGG-VD, VGG 중 어떤 사전 훈련된 CNN 아키텍처가 세 클래스 망막 영상 분류에서 가장 높은 정확도를 달성하는가?
• RQ3 BoVW 방법에서 시각적 단어 수(W)가 분류 성능에 어떤 영향을 미치는가?
• RQ4 왜 BoVW 방법은 드루센 분류에서는 강력한 성능를 보였지만 정상 및 출현물 영상 분류에 어려움을 겪는가?
• RQ5 CNN 아키텍처의 깊이가 병변 탐지에서 민감도와 특이도 향상과 관련이 있는가?

주요 결과

• 딥 특징 방법은 모든 세 클래스 평균 정확도 92.00%를 기록하여, bag-of-words 방법의 77.76%보다 유의미하게 뛰어났다.
• GoogLeNet은 테스트된 모든 CNN 모델 중에서 평균 정확도(92.00%)와 출현물에 대한 민감도(70.36%)가 가장 높았다.
• bag-of-words 방법은 정상에 대해 최대 정확도 79.79%, 출현물에 대해 80.05%를 기록하였으며, 이는 딥 특징 대비 민감도와 특이도가 낮았다.
• 딥 특징 방법은 고전적 최첨단 방법 대비 정확도에서 13% 이상 향상되었으며, 특히 정상 및 출현물 병변을 구분하는 데서 두드러진 성능 향상을 보였다.
• ResNet은 가장 안정적인 성능를 보였으며, 정확도 변동성이 가장 낮아(91.23% ± 1.07) 다양한 데이터셋에서 강건성을 입증하였다.
• 드루센에 대한 최고의 특이도(100%)는 BoVW 방법에서 W = 400일 때 달성되었지만, 이는 다중 클래스 정확도 측면에서 딥 특징 방법에 의해 뛰어넘어졌다.