[論文レビュー] Transfer Learning based Detection of Diabetic Retinopathy from Small Dataset

Misgina Tsighe Hagos, Shri Kant|arXiv (Cornell University)|May 17, 2019

Retinal Imaging and Analysis被引用数 82

ひとこと要約

本論は、事前学習済みの Inception-V3 モデルを用いて、Kaggle の小さなサブサンプリングデータセットで糖尿病網膜症を検出する方法を示し、医療画像分類における訓練データ不足に対処している。

ABSTRACT

Annotated training data insufficiency remains to be one of the challenges of applying deep learning in medical data classification problems. Transfer learning from an already trained deep convolutional network can be used to reduce the cost of training from scratch and to train with small training data for deep learning. This raises the question of whether we can use transfer learning to overcome the training data insufficiency problem in deep learning based medical data classifications. Deep convolutional networks have been achieving high performance results on the ImageNet Large Scale Visual Recognition Competition (ILSVRC) image classification challenge. One example is the Inception-V3 model that was the first runner up on the ILSVRC 2015 challenge. Inception modules that help to extract different sized features of input images in one level of convolution are the unique features of the Inception-V3. In this work, we have used a pretrained Inception-V3 model to take advantage of its Inception modules for Diabetic Retinopathy detection. In order to tackle the labelled data insufficiency problem, we sub-sampled a smaller version of the Kaggle Diabetic Retinopathy classification challenge dataset for model training, and tested the model's accuracy on a previously unseen data subset. Our technique could be used in other deep learning based medical image classification problems facing the challenge of labeled training data insufficiency.

研究の動機と目的

• 深部学習による医用画像分類における注釈付き訓練データ不足の課題を動機づける。
• DR検出のための事前学習済み Inception-V3 モデルを用いた転移学習アプローチを提案する。
• Kaggle DRデータセットの小型版をサブサンプリングしても、未知データに対して有用なモデル性能を得られることを示す。

提案手法

• 網膜画像特徴のために Inception モジュールを活用する事前学習済みの Inception-V3 畳み込みニューラルネットワークを利用する。
• 限られたラベル付きデータのため、Kaggle Diabetic Retinopathy データセットの小型版をサブサンプリングして訓練データを作成する。
• サブサンプリングデータでモデルを訓練し、事前に見ていないデータのサブセット上で精度を評価する。
• 医用画像分類問題において、訓練をゼロから行う必要性を減らすために転移学習を活用する。

実験結果

リサーチクエスチョン

• RQ1 事前学習済み Inception-V3 ネットワークからの転移学習は、糖尿病網膜症検出におけるデータ不足を克服できるか。
• RQ2 小型サブサンプリングされた DR データセットで訓練されたモデルは、未知データにどれだけ一般化できるか。
• RQ3 Inception-V3は、低データ条件でDR分類のための多段階（マルチスケール）網膜特徴の抽出に適しているか。

主な発見

• 事前学習済みの Inception-V3 モデルは、小規模なデータセットを用いた糖尿病網膜症検出に適用できる。
• 転移学習を用いたサブサンプリングデータでの訓練は、未知データのサブセット上での評価を可能にする。
• この手法は、ラベル付きデータの制約に直面する他の医用画像分類にも潜在的な適用性を示している。