[論文レビュー] A Gaussian Scale Space Approach For Exudates Detection, Classification And Severity Prediction

Mrinal Haloi, Samarendra Dandapat+1 more|arXiv (Cornell University)|May 4, 2015

Retinal Imaging and Analysis参考文献 13被引用数 19

ひとこと要約

本稿では、非等方的拡散、ガウススケールスペースインタレストマップ（GIMAP）、数学的モーフォロジー、SVM分類を用いて、糖尿病網膜症における網膜漏出の検出・分類・重症度予測を目的としたガウススケールスペースベースの手法を提案する。DIARETDB1V2で96.54%の感受性と98.35%の予測精度を達成し、照度変動や多様な漏出サイズに対して高い耐性を示した。

ABSTRACT

In the context of Computer Aided Diagnosis system for diabetic retinopathy, we present a novel method for detection of exudates and their classification for disease severity prediction. The method is based on Gaussian scale space based interest map and mathematical morphology. It makes use of support vector machine for classification and location information of the optic disc and the macula region for severity prediction. It can efficiently handle luminance variation and it is suitable for varied sized exudates. The method has been probed in publicly available DIARETDB1V2 and e-ophthaEX databases. For exudate detection the proposed method achieved a sensitivity of 96.54% and prediction of 98.35% in DIARETDB1V2 database.

研究の動機と目的

• 照度変動や画像アーティファクトに耐性を持ち、カラーファンダス画像における漏出の検出を自動的かつ堅牢に行うシステムの開発。
• 糖尿病網膜症の病態重症度予測を支援するため、漏出をハード型とソフト型に分類すること。
• 網膜神経節形成部（optic disc）およびマクチャラ（macula）といった重要な解剖学的構造との空間的関係を用いて、病態の重症度を予測すること。
• 手作業による画像評価に依存する低減を図ることで、大規模スクリーニングにおけるコンピュータ支援診断（CAD）システムの正確性と信頼性を向上させること。
• DIARETDB1V2やe-ophthaEXのような多様なデータベースで一貫した性能を発揮する、データセットに依存しない手法の構築。

提案手法

• ノイズ低減を図りながら漏出の重要なエッジ構造を保持するため、非等方的拡散フィルタリングを用いてファンドス画像を前処理する。
• ガウススケールスペースに基づくインタレストマップ（GIMAP）を構築し、さまざまなサイズや強度の漏出反応を多スケールで検出する。
• 候補領域の精錬と誤検出の抑制のため、数学的モーフォロジー操作（例：モーフォロジークロージィングおよびオープニング）を適用する。
• Lab色空間のランクおよび彩度を含む14次元の特徴量を用いて、SVMを用いてハード型とソフト型の漏出を分類する。
• 網膜神経節形成部およびマクチャラの位置情報を統合し、これらの解剖学的ランドマークからの漏出の近接度に基づいて病態の重症度を予測する。
• 一般化を図るため、DIARETDB1V2およびe-ophthaEXデータセットを統合し、10分割交差検証を用いてSVM分類器の学習と検証を実施する。

実験結果

リサーチクエスチョン

• RQ1 照度変動下でも、ガウススケールスペースに基づくインタレストマップは、さまざまなサイズおよび強度の漏出を効果的に検出できるか？
• RQ2 前処理済み画像から抽出した色および形状的特徴量を用いて、SVMによるハード型・ソフト型漏出の分類はどの程度正確か？
• RQ3 網膜神経節形成部およびマクチャラといった解剖学的基準点を統合することで、糖尿病網膜症の重症度予測性能はどの程度向上するか？
• RQ4 本手法は、既存の最先端の漏出検出および分類技術と比較して、性能に優れているか？
• RQ5 本手法は、画像品質や病理的特徴が異なるさまざまなデータベースにおいても、耐性を示すか？

主な発見

• 本手法はDIARETDB1V2データベースで96.54%の感受性と98.35%の予測精度を達成し、AUCが0.968に達した。これは強力な診断性能を示している。
• e-ophthaEXデータベースでは、95.82%の感受性と97.85%の予測精度を達成し、データセット間で一貫した性能を示した。
• DIARETDB1V2データセットにおいて、SVMベースの分類システムはハード型漏出で98.73%、ソフト型漏出で98.23%の正確性を達成した。
• Zhangら（2014年）およびGiancardoら（2012年）の先行研究を上回り、DIARETDB1V2とe-ophthaEXでそれぞれAUCが0.968および0.952に達した。
• 照度変動や指紋、運動ブレなどのアーティファクトに対しても耐性を示し、網膜神経節形成部や血管の別個セグメンテーションが最小限で済んだ。
• 解剖学的ランドマーク（網膜神経節形成部およびマクチャラ）の統合により、非増殖性と増殖性糖尿病網膜症の段階を効果的に区別する重症度予測が可能になった。