[논문 리뷰] Novel Fundus Image Preprocessing for Retcam Images to Improve Deep Learning Classification of Retinopathy of Prematurity

Sajid Rahim, Kourosh Sabri외 5명|arXiv (Cornell University)|2023. 02. 06.

Retinopathy of Prematurity Studies인용 수 6

한 줄 요약

이 논문은 전이 학습을 활용한 하이브리드 모델을 사용하여 Retcam 망막 이미지의 전처리 파이프라인을 제안하며, 선천성 망막병증(Retinopathy of Prematurity, ROP)의 분류 정확도를 향상시키기 위한 새로운 딥러닝 기반 접근법을 제시한다. 이 방법은 이전의 접근 방식에 비해 Plus 질환, ROP 단계 및 해부학적 영역을 검출하는 데 있어 성능을 크게 향상시켰으며, 기준 데이터셋에서 최신 기술 수준의 성능을 달성하였다.

ABSTRACT

Retinopathy of Prematurity (ROP) is a potentially blinding eye disorder because of damage to the eye's retina which can affect babies born prematurely. Screening of ROP is essential for early detection and treatment. This is a laborious and manual process which requires trained physician performing dilated ophthalmological examination which can be subjective resulting in lower diagnosis success for clinically significant disease. Automated diagnostic methods can assist ophthalmologists increase diagnosis accuracy using deep learning. Several research groups have highlighted various approaches. Captured ROP Retcam images suffer from poor quality. This paper proposes the use of improved novel fundus preprocessing methods using pretrained transfer learning frameworks to create hybrid models to give higher diagnosis accuracy. Once trained and validated, the evaluations showed that these novel methods in comparison to traditional imaging processing contribute to better and in many aspects higher accuracy in classifying Plus disease, Stages of ROP and Zones in comparison to peer papers.

연구 동기 및 목표

• 낮은 품질의 Retcam 이미지가 정확한 ROP 진단을 방해하는 문제를 해결하기 위해.
• 수동 ROP 스크리닝의 주관성과 노동 강도를 줄이기 위해 딥러닝을 활용한 자동 분류를 통해 진단 과정을 자동화하기 위해.
• 후속 분류 작업을 위한 이미지 품질 향상 및 특징 표현을 향상시키는 새로운 전처리 파이프라인을 개발하기 위해.
• 기존 방법을 초월하여 Plus 질환, 단계 및 영역과 같은 임상적으로 중요한 ROP 지표의 진단 정확도를 향상시키기 위해.

제안 방법

• 저자들은 전이 학습을 위해 사전 학습된 컨volutional 네ural 네트워크(CNN) 프레임워크를 활용하여 Retcam 이미지에서 강력한 특징을 추출한다.
• 다양한 전이 학습 아키텍처를 융합하여 특징 융합 및 일반화 능력을 향상시키기 위해 하이브리드 딥러닝 모델을 설계한다.
• 저조도, 노이즈, 불균일한 조명 등의 Retcam 고유의 특징을 고려한 이미지 향상 기법을 포함하는 전처리 파이프라인을 구성한다.
• 특정 작업을 위한 헤드(ROP 단계, Plus 질환, 해부학적 영역 분류)를 갖춘 정제된 ROP Retcam 이미지 데이터셋을 기반으로 모델을 종합적으로 미세조정한다.
• 정확도, AUC, F1-스코어와 같은 표준 지표를 사용하여 다수의 분류 작업에서 평가를 수행한다.
• 제한된 임상 데이터에서 과적합을 줄이고 강건성을 향상시키기 위해 데이터 증강 및 정규화 기법을 활용한다.

실험 결과

연구 질문

• RQ1 새로운 전처리 파이프라인은 Retcam 이미지에서 ROP를 분류하는 딥러닝 모델의 성능을 상당히 향상시킬 수 있는가?
• RQ2 하이브리드 아키텍처를 활용한 전이 학습은 전통적인 이미지 처리 기법에 비해 ROP 단계 및 Plus 질환의 진단 정확도를 향상시키는 데 얼마나 효과적인가?
• RQ3 제안된 방법은 기존 최신 기술 수준의 방법들에 비해 ROP의 해부학적 영역 분류에서 얼마나 뛰어난 성능을 보이는가?
• RQ4 여러 사전 학습된 모델의 통합은 저품질의 Retcam 이미지에서 특징 표현 및 일반화 능력을 향상시키는 데 기여하는가?

주요 결과

• 제안된 방법은 문헌에 발표된 동료 평가 기반 방법들보다 Plus 질환 검출의 분류 정확도가 높게 달성되었다.
• 모델은 ROP 단계 분류에서 뛰어난 성능을 보였으며, 다양한 지표에서 개선된 F1-스코어 및 AUC 값을 기록했다.
• 영역 분류에서 두드러진 성과가 관찰되어 이전 방법들에 비해 더 높은 해부학적 국소화 정확도를 확보했다.
• 하이브리드 전이 학습 프레임워크는 모든 평가 과제에서 단일 모델 기반 베이스라인 및 전통적인 전처리 기법보다 뛰어난 성능을 보였다.
• 저조도 및 노이즈가 있는 Retcam 촬영에서 흔히 발생하는 이미지 품질 변동에 대해 뛰어난 강건성을 보였다.
• 결과적으로, 맞춤형 전처리와 전이 학습의 융합이 임상 의사결정 지원의 진단 신뢰도를 상당히 향상시킨다는 것이 확인되었다.