緑内障検出（Glaucoma-Detection-CNN）

AI/ML: 人工知能、機械学習関連
緑内障検出（Glaucoma-Detection-CNN）

緑内障検出（Glaucoma-Detection-CNN）

EfficientNetB0を用いた転移学習ベースのCNNモデルで、眼底（fundus）画像から緑内障を検出するリポジトリ。研究目的で作成されたJupyter Notebook中心の実装で、AUC 63.9%、感度（sensitivity）76.2%という評価結果が示されています。臨床でのスクリーニング支援を想定し、高リスク症例の自動抽出を目指したプロジェクトです。

https://github.com/amagyeiantwi-biotech/Glaucoma-Detection-CNN

概要

このリポジトリは、眼科臨床で得られる眼底写真（fundus images）から緑内障（glaucoma）を検出するための深層学習プロジェクトです。著者は臨床経験を持つ検眼士としての知見を活かし、Northeastern Universityでの独自研究としてモデルを構築しています。コアとなる手法はEfficientNetB0をバックボーンにした転移学習で、Jupyter Notebookでデータ前処理、学習、評価を一貫して実行します。公開された結果はAUC=63.9%、感度=76.2%で、スクリーニング用途での補助的利用を想定した評価が行われています。

GitHub

リポジトリの統計情報

  • スター数: 1
  • フォーク数: 0
  • ウォッチャー数: 1
  • コミット数: 4
  • ファイル数: 4
  • メインの言語: Jupyter Notebook

主な特徴

  • EfficientNetB0を用いた転移学習による分類モデル実装
  • 眼底画像（fundus）を対象とした医用画像処理パイプライン（ノートブック内で完結）
  • モデル評価としてAUCおよび感度を提示（AUC 63.9%、感度 76.2%）
  • 研究・教育目的のシンプルな構成（Notebook中心、最低限のファイル構成）

技術的なポイント

リポジトリの中心は「glaucoma_detection_cnn.ipynb」で、ここにデータ読み込み、前処理、モデル定義、学習、評価が順に記述されている想定です。バックボーンにEfficientNetB0を採用している点が特徴で、ImageNetで事前学習された重みを流用し、最終層を置き換えて緑内障/非緑内障の二値分類タスクに適用しています。典型的な前処理としては、リサイズ、ピクセル正規化、データ拡張（回転・左右反転・ズームなど）を行い、限られたデータでの過学習を抑える工夫が取られている可能性が高いです。評価指標はAUC（ROC曲線下面積）と感度（陽性検出率）を重視しており、臨床スクリーニングで「見逃しを減らす」意図が読み取れます。Notebook形式の利点として、EDA（画像の可視化やクラス分布確認）、ハイパーパラメータの試行、学習曲線や混同行列の可視化がそのまま共有できる点があります。一方で、ノートブック中心の提供は再現性の確保（依存ライブラリやシード固定、実行環境の明記）が課題になりやすく、requirements.txtや実行手順の明示、モデル保存フォーマットの記載があるとより実運用に近づきます。また、提示されているAUC 63.9%は改善余地が大きく、データ拡充、クラス不均衡対策（重み付けやオーバーサンプリング）、局所病変に着目した領域検出（セグメンテーションやGrad-CAMによる説明可能性）やアンサンブル手法の導入が有効です。推論やデプロイを考える場合は、モデルの軽量化（量子化、ONNX変換）や閾値最適化、臨床ワークフローとの連携設計も必要になります。

プロジェクトの構成

主要なファイルとディレクトリ：

  • .gitignore: file
  • LICENSE: file
  • README.md: file
  • glaucoma_detection_cnn.ipynb: file

ノートブック内にデータ読み込み、前処理、モデル構築、学習ループ、評価プロットが含まれている想定です。LICENSEがあるため利用条件はリポジトリ内で確認してください。requirementsや実行手順はREADMEに要確認。

まとめ

臨床背景を反映した実装で、研究・教育目的の出発点として有用だが、実用化にはデータ拡充と再現性・説明性の強化が必要。

リポジトリ情報：