안저촬영영상 데이터 활용 시범 AI 모델

소개
  • 다양한 영상 분석에서 높은 성능을 보여주며, 영상 분석 딥러닝 알고리즘 중 가장 널리 사용되고 잇는 CNN (convolutional neural network) 모델 중 Xception을 기반으로 인공지능 판독 시범 모델을 개발
필요성
  • 본 과제는 의료 인공지능 판독 기술개발에 필수적인 기반데이터를 제공하고 공공 및 민간에서 인공지능 기술 발전에 따라 자생적으로 데이터를 확장, 개방하는 선순환 생태계 조성하는 것을 목표로 함. 따라서 구축된 데이터의 유효성 평가하고 검증할 필요가 있음
모델
일반안저영상

 

  • 녹내장 학습모델로 Google에서 발표한 Xception을 기반으로, 2017년 이미지넷 챌린지(ILSVR 2017)에서 우승한 SENet의 메인 아이디어인 squeeze and excitation(SE) Block을 조합하여 새롭게 모델을 개발
  • Xception은 영상의 local feature를 학습하는 것과 channel 학습하는 것을 분리하여 모델의 학습을 진행함
  • SE Block은 feautre map들의 압추과 재조정을 통해 스케일링을 수행. Feature map을 global average pooling을 통해 feautre map의 개수만큼의 노드를 만들어줌. 이후 feature map의 개수를 주어진 reduction ratio로 나눈만큼의 노드 수로 fully connected layer를 통해 정보 압축을 수행함(squeeze)
  • 압축된 노드를 다시 feature map 수만큼 확장하고, 이 값은 sigmoid function에 통과시켜 0과 1의 값으로 반환. 이 결과를 원래의 feature map에 곱하여 반환. 이를 통해 어느 색 채널에 높은 점수를 줄지 네트워크가 학습하면서 조정함(excitation)
image
< Xeption + SE Block 모델 >
 광각안저영상

 

  • 기본 학습모델로 Xception을 사용하였으며, 기본모델의 구조 변경을 통해 각 질환(황반변성, 당뇨망막병증, 망막정맥폐쇄)에 맞는 학습모델을 개발
  • 데이터 수의 증폭을 위해 영상필터, 확대, 회전 등의 전처리 과정을 수행함. 대표적으로 영상필터는 bilateral, gaussian, histogram equalization, median, sharpening 등을 사용하였으며, 각 영상을 90, 180, 270도로 회전.
  • 각 질환별 layer는 황반변성은 Xception – Dense – Dropout(50%) - Dense-Dropout(50%) - Dense-Global Average Pooling - Softmax, 당뇨망막병증은 Xception – Dropout(50%) - Dense – Dense – Dense - Global Average Pooling - Softmax, 망막정맥폐쇄는 Xception – Dropout(50%) - Dense – Dropout(50%) - Dense - Global Average Pooling – Softmax 순으로 구성됨.
image
< 질환별 CNN 구조(황반변성, 당뇨망막병증, 망막정맥폐쇄 순) >
사용방법
  • 일반안저영상과 광각안저영상의 판독 시범 모델 검증을 위하여 10-fold cross validation을 수행
  • 다양한 판독 척도를 활용하여 성능을 평가하였으며, 평가 척도로는 민감도 (sensitivity), 특이도 (specificity), ROC (Receiver Operating Characteristics) curve의 AUC (Area Under the Curve)를 측정
  • github를 통해 의료인공지능 학습 데이터의 판독 시범 모델을 배포 
    (일반안저이미지 : https://github.com/KY-HDC/General_fundus-NIA 
    광각안저이미지 : https://github.com/KY-HDC/Wide_fundus-NIA)
image

 

image