[논문 리뷰] Early Prediction and Diagnosis of Retinoblastoma Using Deep Learning Techniques

C. Anand Deva Durai, T Jemima Jebaseeli외 2명|arXiv (Cornell University)|2021. 03. 13.

Retinal Imaging and Analysis인용 수 9

한 줄 요약

이 연구는 망막도 영상에서 조기 진단 및 단계 분류를 위한 딥러닝 프레임워크를 제안한다. 세 단계로 구성된 파이프라인을 활용하여, 노이즈 감소를 위한 Liner Predictive Decision-based Median Filter (LPDMF)를 적용하고, 종양 세그멘테이션은 컨volutional 신경망(CNN)을 사용하며, 분류를 통해 종양 단계를 식별한다. 이 방법은 조기 진단을 가능하게 하여 소아 환자의 예후를 향상시키고 시력 손실을 줄인다.

ABSTRACT

Retinoblastoma is the most prominent childhood primary intraocular malignancy that impacts the vision of children and adults worldwide. In contrasting and comparing with adults it is uveal melanoma. It is an aggressive tumor that can fill and destroy the eye and the surrounding structures. Therefore early detection of retinoblastoma in childhood is the key. The major impact of the research is to identify the tumor cells in the retina. Also is to find out the stages of the tumor and its corresponding group. The proposed systems assist the ophthalmologists for accurate prediction and diagnosis of retinoblastoma cancer disease at the earliest. The contribution of the proposed approach is to save the life of infants and the grown-up children from vision impairment. The proposed methodology consists of three phases namely, preprocessing, segmentation, and classification. Initially, the fundus images are preprocessed using the Liner Predictive Decision based Median Filter (LPDMF). It removes the noise introduced in the image due to illumination while capturing or scanning the eye of the patients. The preprocessed images are segmented using the Convolutional Neural Network (CNN) to distinguish the foreground tumor cells from the background.

연구 동기 및 목표

• 소아 환자에서 망막종의 조기 예측 및 진단을 가능하게 하여 시력 손실을 방지하고 생존율을 향상시키기 위해.
• 영상 노이즈와 낮은 조명 조건 속에서도 망막도 영상에서 종양 세포를 정확하게 식별하기 위해.
• 딥러닝을 활용하여 망막종 종양의 단계와 군집을 분류하여 임상적 의사결정 지원을 위해.
• 지속적인 후기 단계 진단에 의존하는 것을 줄이기 위해 안과의사들을 위한 자동화되고 실시간 스크리닝 도구를 제공하기 위해.
• 진단 정확도를 향상시키고 적시 치료 개입을 지원하기 위한 내구성 있고 종단 간(end-to-end) 시스템을 개발하기 위해.

제안 방법

• 이미지 촬영 중 불균일한 조명으로 인한 노이즈를 억제하기 위해 망막도 영상 전처리에 Liner Predictive Decision-based Median Filter (LPDMF)를 적용한다.
• 망막 배경에서 종양 영역을 정밀하게 분리하기 위해 컨volutional 신경망(CNN)을 적용한다.
• 세그멘테이션된 종양 영역을 입력으로 사용하여 종양 단계와 군집을 결정하기 위한 분류 모델을 사용한다.
• 전처리, 세그멘테이션, 분류의 세 단계를 통합하여 자동 진단을 위한 유일한 딥러닝 파이프라인을 구성한다.
• 조기 단계 망막종 식별에서 정확도를 향상시키고 가짜 양성 반응을 줄이기 위해 딥러닝을 활용한다.
• 실시간으로 신뢰할 수 있는 진단 지원을 제공할 수 있도록 임상 현장에서 안과의사가 활용할 수 있도록 시스템을 설계한다.

실험 결과

연구 질문

• RQ1 딥러닝 기반 시스템은 임상적 증상이 악화되기 전에 망막도 영상에서 조기에 망막종을 효과적으로 탐지할 수 있는가?
• RQ2 제안된 방법은 노이즈가 많은 망막도 영상에서 정상 망막 조직과 종양 세포를 얼마나 정확하게 세그멘테이션하는가?
• RQ3 LPDMF 전처리 기법의 사용이 후속 CNN 기반 세그멘테이션 및 분류 성능에 얼마나 기여하는가?
• RQ4 이 시스템은 임상 치료를 안내하기 위해 망막종을 명확한 단계와 군집으로 신뢰성 있게 분류할 수 있는가?
• RQ5 속도, 정확도 및 임상적 유용성 측면에서 기존 진단 방법과 비교해 제안된 파이프라인은 어떻게 다른가?

주요 결과

• 제안된 시스템은 LPDMF 필터를 활용하여 망막도 영상의 노이즈를 성공적으로 감소시켜 후속 분석을 위한 영상 품질을 향상시켰다.
• CNN 기반 세그멘테이션 방법은 높은 정밀도로 망막 배경에서 종양 영역을 효과적으로 분리하였다.
• 분류 모듈은 종양 단계와 군집을 정확하게 결정하여 임상 의사결정 지원에 기여하였다.
• 전처리, 세그멘테이션, 분류를 하나의 파이프라인으로 통합함으로써 진단 신뢰도와 자동화 수준이 향상되었다.
• 이 프레임워크는 조기 진단을 지원할 잠재력을 보이며, 이로 인해 시력 손실 위험을 줄이고 환자 결과를 향상시킬 수 있다.
• 이 방법은 전통적 접근보다 조기에 망막종을 탐지할 수 있는 확장 가능한 자동화 솔루션을 안과의사에게 제공한다.