Diabetic Retinopathy Classification using Downscaling Algorithms and Deep Learning

기술 요약: 다운스케일링 알고리즘과 딥러닝을 활용한 당뇨망막병증 분류

문제 제기
당뇨망막병증 (DR) 은 작업 연령대 성인들의 실명 주요 원인 중 하나로, 망막 조직의 부종, 혈관 변화, 그리고 이에 따른 시력 손실을 특징으로 합니다. 망막 안저 이미지를 다섯 가지 중증도 단계 (0 급: DR 없음 ~ 4 급: 증식성 DR) 로 분류하여 조기 발견하는 것이 치료에 필수적입니다. 그러나 이러한 분류를 자동화하는 데 있어 중요한 과제는 고해상도 안저 이미지의 크기가 크고 다양하다는 점입니다. 이러한 이미지를 직접 처리하려면 상당한 컴퓨팅 자원이 필요하며, 과도하게 리사이징할 경우 정확한 진단에 필요한 중요한 고주파수 특징이 손실될 수 있습니다.

방법론
저자들은 데이터 통합, 새로운 전처리 파이프라인, 그리고 맞춤형 딥러닝 아키텍처를 포함하는 2 단계 프레임워크를 제안합니다.

1. 데이터셋 통합: 데이터셋 크기와 일반화 능력을 높이기 위해 본 연구는 Kaggle 당뇨망막병증 데이터셋 (35,216 장) 과 인도 당뇨망막병증 이미지 데이터셋 (IDRID, 516 장) 을 결합합니다. 결합된 데이터셋은 다섯 가지 중증도 단계 전반에 걸친 표현을 보장함으로써 클래스 불균형 문제를 해결합니다.
2. 전처리 파이프라인:
   • 크롭 (Cropping): 불필요한 검은 테두리를 제거하고 망막에 초점을 맞추기 위해 이미지를 크롭하여 과/과노출 문제를 해결합니다.
   • 다운스케일링: 본 연구의 핵심 요소는 이미지 크기를 8 배 (~4800x4800 에서 ~600x600 으로) 줄이기 위한 다운스케일링 알고리즘의 평가입니다. 저자들은 Nearest Neighbour, Bilinear, Bicubic, Lanczos, Rapid Detail Image Preserving (RDIP), Learned Image Downsampling (LID) 등 여섯 가지 알고리즘을 비교합니다.
   • 품질 평가: 최적의 다운스케일링 방법을 선정하기 위해 저자들은 이미지를 다운스케일한 후 (Lanczos 사용) 다시 업스케일하여, 재구성된 이미지를 원본 이미지와 비교합니다. 이때 피크 신호대 잡음비 (PSNR) 와 구조적 유사성 지수 (SSIM) 를 사용합니다.
   • 패딩: 종횡비를 유지하고 특징을 보존하기 위해 이미지를 왜곡시키는 리사이징 대신, 600 × 600 × 3 의 고정 차원으로 제로 (zero) 패딩을 적용합니다.
3. 딥러닝 아키텍처:
   • 저자들은 멀티채널 인셉션 V3 (Multi-Channel Inception V3) 아키텍처를 소개합니다. 전처리된 이미지가 600 × 600 × 3 이고 표준 인셉션 V3 가 300 × 300 × 3 입력을 요구하므로, 각 이미지를 네 개의 사분면 (좌상, 우상, 좌하, 우하) 으로 나눕니다.
   • 이 네 개의 사분면은 네 개의 병렬 인셉션 V3 채널로 입력됩니다.
   • 네 채널 모두의 최종 레이어에서 추출된 특징은 연결되어 5 클래스 분류를 위한 완전 연결 레이어를 통과합니다.
   • 전이 학습: 인셉션 V3 백본 (42 레이어) 은 ImageNet 데이터셋의 가중치로 초기화되며, 새로 추가된 완전 연결 레이어만 학습됩니다.

주요 기여

• 다운스케일링의 비교 분석: 본 논문은 PSNR 과 SSIM 을 사용하여 정보 유지 정도를 정량화함으로써, 의료 이미지 전처리를 위한 전통적 및 콘텐츠 적응형 다운스케일링 알고리즘 (특히 LID 와 RDIP) 에 대한 체계적인 평가를 제공합니다.
• 새로운 아키텍처: 과도한 매개변수 증가나 특징 손실 없이 고해상도 입력을 처리하기 위해 이미지 사분면을 병렬로 처리하는 멀티채널 인셉션 V3 네트워크를 제안합니다.
• 데이터 통합: 5 단계 DR 분류를 위한 견고한 학습 세트를 만들기 위해 두 개의 서로 다른 데이터셋 (Kaggle 과 IDRID) 을 성공적으로 통합했습니다.

결과
본 연구는 정확도 (Accuracy), 민감도 (Sensitivity), 특이도 (Specificity) 를 사용하여 성능을 평가합니다.

• 다운스케일링 성능: PSNR 과 SSIM 지표를 기반으로 Learned Image Downsampling (LID) 과 Bilinear 알고리즘이 가장 높은 품질의 재구성을 보였습니다.
• 분류 성능:
  • LID 다운스케일링을 적용한 멀티채널 인셉션 V3 는 85.2% 정확도, 83.4% 민감도, 87.6% 특이도를 달성했습니다.
  • 동일한 아키텍처에 Bilinear 다운스케일링을 적용한 경우 83.15% 정확도, 81.2% 민감도, 84.6% 특이도를 달성했습니다.
• 비교: 제안된 LID 기반 접근법은 13 레이어 CNN (75% 정확도), GoogleNet (81% 정확도), BT-VGG (83.2% 정확도) 등 여러 최첨단 방법보다 우수한 성능을 보였습니다. 13 레이어 CNN 이 더 높은 특이도 (95%) 를 보고했지만, 저자들은 이는 편향된 데이터셋으로 학습한 결과라고 귀속하며, 제안된 방법이 질병 감지를 위해 민감도와 특이도의 더 나은 균형을 제공한다고 지적합니다.

의의 및 주장
저자들은 크고 다양한 이미지 크기가 생물의학 이미지 분류의 주요 병목 현상이라고 주장합니다. 그들은 다운스케일링 방법 (특히 LID) 과 멀티채널 CNN 아키텍처를 활용함으로써 이 문제를 효과적으로 해결한다고 주장합니다. 논문은 LID 다운스케일링과 멀티채널 인셉션 V3 네트워크의 결합이 기존 기술에 비해 당뇨망막병증 중증도 분류를 위한 새롭고 우수한 방법이며, 당뇨망막병증 감지에서 향상된 정확도와 민감도를 제공한다고 결론 내립니다.