[論文レビュー] AI-based automated Meibomian gland segmentation, classification and reflection correction in infrared Meibography

Ripon K. Saha, A. M. Mahmud Chowdhury+7 more|arXiv (Cornell University)|May 31, 2022

Ocular Surface and Contact Lens被引用数 4

ひとこと要約

本研究では、非接触赤外線マイボム腺画像における完全自動的マイボム腺（MG）およびまぶたのセグメンテーションを可能にするディープラーニングベースのフレームワークを提示している。これにより、MG領域、MG比、マイボスコア分類の正確な定量的評価が可能になった。さらに、ガウジアン・アドバーシャル・ネットワーク（GAN）を用いた手法により、腺構造の歪みを伴わずに鏡面反射を補正し、熟練医師のアノテーションと高い一貫性を示し、手動による診断評価を上回る診断精度を達成した。

ABSTRACT

Purpose: Develop a deep learning-based automated method to segment meibomian glands (MG) and eyelids, quantitatively analyze the MG area and MG ratio, estimate the meiboscore, and remove specular reflections from infrared images. Methods: A total of 1600 meibography images were captured in a clinical setting. 1000 images were precisely annotated with multiple revisions by investigators and graded 6 times by meibomian gland dysfunction (MGD) experts. Two deep learning (DL) models were trained separately to segment areas of the MG and eyelid. Those segmentation were used to estimate MG ratio and meiboscores using a classification-based DL model. A generative adversarial network was implemented to remove specular reflections from original images. Results: The mean ratio of MG calculated by investigator annotation and DL segmentation was consistent 26.23% vs 25.12% in the upper eyelids and 32.34% vs. 32.29% in the lower eyelids, respectively. Our DL model achieved 73.01% accuracy for meiboscore classification on validation set and 59.17% accuracy when tested on images from independent center, compared to 53.44% validation accuracy by MGD experts. The DL-based approach successfully removes reflection from the original MG images without affecting meiboscore grading. Conclusions: DL with infrared meibography provides a fully automated, fast quantitative evaluation of MG morphology (MG Segmentation, MG area, MG ratio, and meiboscore) which are sufficiently accurate for diagnosing dry eye disease. Also, the DL removes specular reflection from images to be used by ophthalmologists for distraction-free assessment.

研究の動機と目的

• 非接触赤外線マイボム腺画像におけるマイボム腺およびまぶたの完全自動的セグメンテーションを目的としたディープラーニングモデルの開発。
• 高い正確性を実現するMG領域、MG比、マイボスコアの定量的評価を可能にする。
• 生成的対抗ネットワーク（GAN）を用いて、画像の明瞭性を向上させるためにマイボム腺画像からの鏡面反射を補正する。
• 複数の指標および独立したデータセットを用いて熟練医師のアノテーションと比較してモデルの性能を検証する。
• MGD-1Kデータセットを公開する。これは、オープンリサーチを目的として、正確なMGおよびまぶたのセグメンテーションとマイボスコアラベルを備えた、最初の公開可能な高品質データセットである。

提案手法

• 非接触赤外線マイボム腺画像からマイボム腺およびまぶたをセグメンテーションする2つの独立したディープラーニングモデルを訓練した。
• セグメンテーションされたMGおよびまぶた領域からマイボスコアを推定する分類ベースのディープラーニングモデルを用いた。
• 生成的対抗ネットワーク（GAN）アーキテクチャを実装し、元の画像からの鏡面反射を除去しながら、下伏在するMG構造を保持した。
• 複数の検証戦略を適用：線形回帰、Bland-Altman解析、年齢および臨床的グレーディングとの相関。
• 1,600枚の臨床的マイボム腺画像を用い、6回のグレーディングセッションにわたり、MG専門家による複数回の見直しによる1,000枚のアノテーションを実施した。
• 1枚あたり0.3秒の推論時間を達成し、再トレーニングなしに上眼瞼および下眼瞼の両方をリアルタイムで完全自動分析可能にした。

実験結果

リサーチクエスチョン

• RQ1 ディープラーニングモデルは、赤外線マイボム腺画像におけるマイボム腺およびまぶたの高精度な自動セグメンテーションを達成できるか？
• RQ2 異なるデータセットにおいて、ディープラーニングベースのマイボスコア分類の性能は熟練医師のグレーディングと比較してどの程度か？
• RQ3 鏡面反射補正は、MG構造や測定の正確性を損なわずに、画像品質および診断の明瞭性をどの程度向上させるか？
• RQ4 ディープラーニングで得られたMG領域およびMG比の測定値は、MG専門家による手動アノテーションとどの程度一貫性があるか？
• RQ5 提案手法は、独立した臨床施設および画像取得デバイス間で一般化可能か？

主な発見

• ディープラーニングモデルは、上眼瞼で平均25.12%、下眼瞼で32.29%のMG比を達成し、熟練医師によるアノテーション値（それぞれ26.23%および32.34%）とよく一致した。
• バリデーションセットではマイボスコア分類で73.01%の正確度を示し、独立したテストセンターのデータセットでは59.17%の正確度を示した。熟練医師のバリデーション正確度53.44%を上回った。
• GANベースの鏡面反射補正により、反射に影響を受ける領域が正常に回復され、アーチファクトの発生なく、MG構造および測定の整合性が保持された。
• Bland-Altman解析および線形回帰により、ディープラーニングと熟練医師によるアノテーションのMG領域およびMG比に強い一致が確認され、反射補正後には有意差が認められなかった。
• モデルは1枚あたり0.3秒で処理を完了し、手動介入なしに上眼瞼および下眼瞼の両方をリアルタイムで完全自動分析可能となった。
• 本研究ではMGD-1Kデータセットを公開した。これは、正確なMGおよびまぶたのセグメンテーションとマイボスコアアノテーションを備えた、オープンリサーチを目的とした最初の公開可能な高品質データセットである。