信頼性の高い特徴選択による糖尿病網膜症の自動分類

Automated classification of diabetic retinopathy through reliable feature selection.

• S Gayathri
• Varun P Gopi
• P Palanisamy

抄録

糖尿病網膜症(DR)は糖尿病の合併症であり、網膜の血管に損傷を与える。糖尿病網膜症は、ほとんどの糖尿病患者が発症する危険性がある深刻な視力障害と考えられている。DRの効果的な自動検出は困難である。そのため、特徴抽出は病気を効果的に分類する上で重要な役割を果たしている。ここでは、網膜眼底画像から関連する特徴を抽出するために、高速化されたロバスト特徴とバイナリロバスト不変スケーラブルキーポイントという2つの特徴抽出器を組み合わせた特徴抽出手法に注目している。MR-MR(maximum relevance-minimum redundancy)特徴選択・ランキング法を用いて、上位ランクの特徴を選択することで、分類の効率を高める。標準データセット(IDRiD, MESSIDOR, DIARETDB0)から抽出した入力画像特徴量を与える際に、サポートベクターマシン, Adaboost, Naive Bayes, Random Forest, multi-layer perception (MLP)などの様々な分類器を用いて評価した。各分類器の性能を、特異度、精度、リコール、偽陽性率、精度値を比較して分析した。その結果，本研究で提案した特徴抽出・選択手法とMLPを併用した場合，2値分類および多クラス分類において，他のすべての分類器よりも優れた性能を示すことがわかった．

Diabetic retinopathy (DR) is a complication of diabetes mellitus that damages the blood vessels in the retina. DR is considered a serious vision-threatening impediment that most diabetic subjects are at risk of developing. Effective automatic detection of DR is challenging. Feature extraction plays an important role in the effective classification of disease. Here we focus on a feature extraction technique that combines two feature extractors, speeded up robust features and binary robust invariant scalable keypoints, to extract the relevant features from retinal fundus images. The selection of top-ranked features using the MR-MR (maximum relevance-minimum redundancy) feature selection and ranking method enhances the efficiency of classification. The system is evaluated across various classifiers, such as support vector machine, Adaboost, Naive Bayes, Random Forest, and multi-layer perception (MLP) when giving input image features extracted from standard datasets (IDRiD, MESSIDOR, and DIARETDB0). The performances of the classifiers were analyzed by comparing their specificity, precision, recall, false positive rate, and accuracy values. We found that when the proposed feature extraction and selection technique is used together with MLP outperforms all the other classifiers for all datasets in binary and multiclass classification.