딥러닝을 이용한 안과 질환 자동화 진단시스템 (Automated Opthalmic Disease Diagnosis System Using Deep Learning)

서지정보

· 발행기관 : 한국지식정보기술학회
· 수록지 정보 : 한국지식정보기술학회 논문지 / 17권 / 6호 / 1089 ~ 1097페이지
· 저자명 : 권현재, 서상민

초록

최근 고령 인구가 증가함에 따라 안과 질환 환자가 늘어나는 추세이며, 안과 질환에 대한 조기 진단 및 치료의 지연으로 인하여 고통을 받고 있다. 조기 진단을 통해 안과 질환에 미리 예방을 할 수 있기에 조기 진단은 매우 중요하다. 안과 질환에 대한 현재 조기 진단 방식으로는 안저촬영 방식이 있다. 그러나 안과 질환에 대한 조기 진단은 연상 판독에 어려움, 흐릿한 영상, 진단 시간, 인적오류 등으로 정확한 진단이 매우 어려우며, 더 나아가 실명으로도 이어질 수 있다. 이러한 문제점을 해결하기 위해 머신러닝 기반의 진단시스템이 제안되었다. 그러나 Support vector machines(SVM)과 같은 머신러닝의 경우 필연적으로 마진과 경계선을 결정하는 전문가 파라미터가 반드시 존재한다. 최근에는 딥러닝 기법이 대중화되면서, 안과 질환 진단에 CNN(Convolution neural network) 기반의 영상 분류 기법이 활용되고 있다. 그러나 이전 연구에서는 균형 잡힌 데이터 세트를 사용하지 않았고, 성능 검증에 대해서는 오직 정확도만을 가지고 성능 검증을 하였다. 이 논문은 딥러닝을 기반으로 한 안과 질환 진단시스템을 제안하며, 더 정확한 성능을 위해 균형 잡힌 데이터 세트를 사용한다. 또한 더 정확한 성능 측정을 위해 F1 score와 Receiver operation characteristic (ROC)와 Area under ROC curve(AUC)라는 성능 지표를 사용하였다. 클래스는 정상, 당뇨망막병증, 황반 변성, 백내장, 녹내장, 병리학적 근시로 총 6개의 클래스를 정의하였다. 또한 데이터 세트로는 총 4965개의 데이터 이미지를 사용하였다. 실험 결과, F1 score의 평균이 0.901을 달성하였다.

영어초록

Because the face of population ageing is much faster, early diagnosis of the eye diseases is important. As for the diagnosis, a fundus photography is popular. However, it is very difficult to make exact diagnosis due to blurred images, diagnosis time and human errors, which results in misdiagnosis and blindness in worst case scenario. To solve the problems, machine learning based diagnosis systems were suggested. However, the machine learning based systems inevitably contained expert parameters, like C for margins and gamma for boundary conditions as in support vector machines. Recently, as deep learning methods have been popular, the convolutional neural network (CNN) based image classifications are being used for eye disease diagnosis. However, the previous researches did not use balanced datasets and showed only accuracies for performance verifications. This paper proposes deep learning based eye disease diagnosis systems and balanced datasets are used for better performance. In addition, F1 score and receiver operation characteristic (ROC) curve with area under ROC curve (AUC) including accuracies are measured for exact performance verification. As for classes, normal, diabetic retinopathy, macular degeneration, cataracts, glaucoma, and pathological myopia, i.e., six classes are defined. Moreover, as a dataset, total 4965 data images are used. From the experimental result, we achieved 0.901 as an average F1 score.

참고자료

· 없음