Glaucoma Classification using General Fundus images

건양대학병원에서 제공하는 일반안저영상(General Fundus Image)를 사용하여 녹내장과 정상을 구분하는 학습 모델을 구현하였다. 두 명의 안과 의사의 교차검증을 통한 데이터로 부터 녹내장과 정상을 구분받은 두 개의 데이터셋에 대해서 학습을 진행하였다. Google에서 2016년도에 발표한 Xception과 2017년 발표된 Squeeze-and-Excitation Networks에서 제시하는 Squeeze Excitation Block을 혼합하여 모델을 구현해 사용하였다.

Data Preprocessing and Augmentation

일반 안저영상으로 촬영된 정상 안저영상과 녹내장 안저영상을 전처리하고 증강하면서, 녹내장을 진단할 수 있는 risk factor를 최대한 손상시키지 않으면서 그 특징들을 최대로 강화시키고자 하였다. 안저영상은 아래와 같은 방법으로 전치리되고 Augmentation이 수행되었다. 아래의 정리 순서는 실제 전처리와 증강이 실행된 순서와 다를 수도 있다.

Augmentation

	증강 종류	설명
1	영상 변환 및 증강	극좌표계변환 - 데카르트 x,y 좌표계를 극좌표계로 변환
2	영상 확대 여부	110%, 112%, 114%, 116%, 118%, 120% 만큼 영상을 확대하여 사용
3	영상 반전 여부	녹내장 데이터에 대해서만 실행
4	영상 회전 여부	영상 회전을 사용하지 않음

Preprocessing

전처리 함수 파일에서 실제 구현 세부 내용을 확일 할 수 있음

	증강 종류	설명
1	영상 변환	Intensity Enhancement
2	영상 변환	Intensity Normalization
3	영상 변환	Median Filter
4	영상 변환	Sharpening Filter
5	영상 변환	Green Channel Extraction

Model Architecture

Squeeze and Excitation Blcok (이하 SE)는 기존 네트워크를 거친 feature map들의 압축과 재조정을 통해 feature map의 스케일링을 수행해주는 Block이다. 이러한 SE Block들을 Xception 모델의 중간에 추가하여 사용하였다. 기본적인 틀은 Xception을 따라가지만, Skip Connection의 덧셈 연산 후 Squeeze and Excitation Block이 들어간 것이 기존 Xception과 다른 모델 구조이다.

Performance Estimation

녹내장 진단모델의 성능은 기존 주어진 데이터 세트에 대해서 10 fold crosss validation을 진행하였으며, 각 Fold에 대한 성능 지표로는 정확도(Accuracy), 민감도(Sensitivity), 특이도(Specificity), AUROC를 사용하여 학습하고 평가에 사용하였다.

Prerequisites

• Python ≥ 3.6.8
• Keras ≥ 2.2.4
• matplotlib ≥ 3.0.2
• numpy ≥ 1.16.0
• opencv-python ≥ 3.4.3.18
• pandas ≥ 0.23.4
• polarTransform ≥ 2.0.0
• scikit-learn ≥ 0.20.2
• scipy ≥ 1.2.0
• sklearn ≥ 0.0
• tensorboard ≥ 1.12.2
• tensorflow ≥ 1.12.0
• tflearn ≥ 0.3.2
• tqdm ≥ 4.31.1