[논문 리뷰] Semi-Supervised Deep Learning for Abnormality Classification in Retinal Images

Bruno Lecouat, Ken Chang외 8명|arXiv (Cornell University)|2018. 12. 19.

Retinal Imaging and Analysis참고 문헌 10인용 수 30

한 줄 요약

이 논문은 최소한의 레이블 데이터를 사용하여 고해상도 망막 영상에서 당뇨성 망막병증을 분류하기 위해 패치 기반의 준감독형 GAN 프레임워크를 제안한다. 소량의 레이블이 부여된 패치로 훈련하고 대규모 무레이블 데이터셋을 활용함으로써, 30% 미만의 레이블 데이터로도 감독 기반 기준보다 최대 15% 높은 AUC를 달성하며, 미세한 병변인 미세동맥류와 출혈의 해부학적 국소화를 해석 가능하게 한다.

ABSTRACT

Supervised deep learning algorithms have enabled significant performance gains in medical image classification tasks. But these methods rely on large labeled datasets that require resource-intensive expert annotation. Semi-supervised generative adversarial network (GAN) approaches offer a means to learn from limited labeled data alongside larger unlabeled datasets, but have not been applied to discern fine-scale, sparse or localized features that define medical abnormalities. To overcome these limitations, we propose a patch-based semi-supervised learning approach and evaluate performance on classification of diabetic retinopathy from funduscopic images. Our semi-supervised approach achieves high AUC with just 10-20 labeled training images, and outperforms the supervised baselines by upto 15% when less than 30% of the training dataset is labeled. Further, our method implicitly enables interpretation of the SSL predictions. As this approach enables good accuracy, resolution and interpretability with lower annotation burden, it sets the pathway for scalable applications of deep learning in clinical imaging.

연구 동기 및 목표

• 의료 영상 분류에서 미세한 병변, 특히 망막 영상에서 희귀한 병변인 미세동맥류의 높은 레이블링 부담을 해결하기 위해.
• 이전 방법이 해상도와 국소화에 어려움을 겪는 고해상도 의료 영상에서 GAN을 활용한 준감독형 딥 러닝을 확장하기 위해.
• 패치 수준에서 병변 점수를 국소화함으로써 예측의 해석 가능성을 보장하고 임상적 검증을 용이하게 하기 위해.
• 레이블 데이터가 부족할 때 준감독 학습이 감독 학습을 능가할 수 있음을 보여주기 위해, 특히 맹막 영상 분류에서 그러한 성능을 확보하기 위해.
• 해당 방법이 독립된 데이터셋과 다양한 임상 영상 적용 분야로의 일반화 가능성 탐색을 위해.

제안 방법

• 고해상도 망막 후면도 영상은 훈련 및 추론을 위해 겹치지 않는 패치로 분할된다.
• 소량의 레이블이 부여된 패치와 대량의 무레이블 패치를 기반으로 준감독형 GAN(SSL-GAN)이 훈련되며, 판별자는 실재/가짜 분류와 클래스 예측을 동시에 수행한다.
• 손실 함수는 레이블이 부여된 패치에 대한 감독 기반 교차 엔트로피 손실과 모든 패치에 대한 비감독 기반 GAN 손실을 조합하여 도메인 간 특징 매칭을 가능하게 한다.
• 패치 수준의 예측 결과는 영상 수준의 분류 점수를 생성하기 위해 집계되며, 이는 공간 해상도 유지와 해석 가능성 보장에 기여한다.
• 패치 수준의 병변 점수에 가우시안 블러를 적용하여 원본 영상에 겹쳐보일 수 있는 부드럽고 시각적으로 해석 가능한 국소화 지도를 생성한다.
• 프레임워크는 IDRiD 데이터셋에서 평가되었으며, 일반화 능력을 테스트하기 위해 카글 Diabetic Retinopathy 데이터셋에서도 테스트되었다.

실험 결과

연구 질문

• RQ1 준감독형 GAN이 매우 소량의 레이블이 부여된 패치에서 효과적으로 학습하면서도 망막 병변 분류 성능을 유지할 수 있는가?
• RQ2 패치 기반 접근 방식이 고해상도 의료 영상에서 딥 러닝 모델의 국소화 정확도와 해석 가능성에 기여하는가?
• RQ3 레이블 데이터가 증가함에 따라 성능은 어떻게 변화하는가? 그리고 레이블 데이터가 제한적일 때 SSL이 감독 학습을 능가할 수 있는가?
• RQ4 모델은 분포와 코hort 특성이 다른 독립된 데이터셋으로 일반화 가능한가?
• RQ5 패치 수준의 예측 메커니즘이 임상적으로 의미 있는 모델 결정 해석을 어느 정도 가능하게 하는가?

주요 결과

• SSL-GAN은 149장 중 20장의 레이블이 부여된 이미지로만 훈련되었을 때 AUC 85.1±2.6을 기록하였으며, 레이블 데이터가 30% 미만일 경우 감독 기반 기준보다 최대 15% 높은 AUC를 달성하였다.
• 패치 수준에서 SSL-GAN은 10장의 레이블이 부여된 이미지로 훈련되었을 때 AUC 84.5±11.5를 기록하였으며, 최고의 감독 기반 기준보다 10% 이상 높은 성능을 보였다.
• 지표 세그멘테이션 마스크와 비교했을 때, CNN 기준 대비 국소화 정확도에서 16.30% 향상된 성능을 보였다.
• 독립된 테스트 세트(Kaggle DR 데이터셋)에서 SSL-GAN은 AUC 64%를 기록하였고, 감독 기반 CNN은 47%를 기록하여 강력한 일반화 능력을 입증하였다.
• SSL-GAN의 영상 수준 예측은 패치 수준 예측보다 약 10% 높은 AUC를 기록하여 국소적 특징의 효과적인 집합을 보여주었다.
• 모델은 외출물과 출혈과 같은 임상적으로 중요한 특징을 성공적으로 국소화하였으며, 시각화 결과는 지표 레이블과 밀도적으로 일치하였다. 다만 일부 외곽 병변은 누락된 경우가 있었다.