[論文レビュー] BSDA-Net: A Boundary Shape and Distance Aware Joint Learning Framework for Segmenting and Classifying OCTA Images

Li Lin, Zhonghua Wang+6 more|arXiv (Cornell University)|Jul 10, 2021

Retinal Imaging and Analysis参考文献 30被引用数 4

ひとこと要約

本稿では、境界ヒートマップ回帰と符号付き距離マップ再構成ブランチを統合することで、OCTA画像におけるFAZ分類と診断分類を向上させる、新たな共同学習フレームワークBSDA-Netを提案する。本手法は3つのデータセットで最先端性能を達成し、OCTA-500では94.23%の精度と87.68%のKappaを示しており、階層的特徴統合を通じてFAZ特徴が分類性能を向上させることの有効性を示している。

ABSTRACT

Optical coherence tomography angiography (OCTA) is a novel non-invasive imaging technique that allows visualizations of vasculature and foveal avascular zone (FAZ) across retinal layers. Clinical researches suggest that the morphology and contour irregularity of FAZ are important biomarkers of various ocular pathologies. Therefore, precise segmentation of FAZ has great clinical interest. Also, there is no existing research reporting that FAZ features can improve the performance of deep diagnostic classification networks. In this paper, we propose a novel multi-level boundary shape and distance aware joint learning framework, named BSDA-Net, for FAZ segmentation and diagnostic classification from OCTA images. Two auxiliary branches, namely boundary heatmap regression and signed distance map reconstruction branches, are constructed in addition to the segmentation branch to improve the segmentation performance, resulting in more accurate FAZ contours and fewer outliers. Moreover, both low-level and high-level features from the aforementioned three branches, including shape, size, boundary, and signed directional distance map of FAZ, are fused hierarchically with features from the diagnostic classifier. Through extensive experiments, the proposed BSDA-Net is found to yield state-of-the-art segmentation and classification results on the OCTA-500, OCTAGON, and FAZID datasets.

研究の動機と目的

• 単一タスク学習における事前知識の制限により、OCTA画像分類におけるFAZ境界の不正確な検出と外れ値の生成という課題に対処すること。
• 明示的なFAZ関連特徴（形状、境界、符号付き距離）が、OCTA画像における深層診断分類性能を向上させることを検証すること。
• 分類と分類の特徴を階層的に統合する共同学習フレームワークを構築し、臨床的診断精度を向上させること。
• OCTA画像を用いたFAZ分類と多疾患分類の両面で、新たな最先端のベースラインを確立すること。

提案手法

• 境界の正確性を向上させるとともに外れ値を低減するために、主な分類ブランチに加えて、境界ヒートマップ回帰と符号付き距離マップ（SDM）再構成の2つの補助ブランチを導入する。
• 共有エンコーダに続く3つの並列ブランチ（分類、境界ヒートマップ回帰、SDM再構成）を用い、マルチレベル特徴学習を可能にする。
• 補助ブランチから導出されたソフトな輪郭と方向性符号付き距離認識損失関数を適用し、境界認識を強化した分類をガイドする。
• すべての3つのブランチからの低レベルおよび高レベル特徴と、診断分類器からの特徴を統合することで、解釈可能な特徴統合を実現する階層的特徴統合を採用する。
• バックボーンネットワークにResNeSt50を採用し、マルチタスク損失を用いた共同学習により、分類と分類を同時に最適化する。
• 形状、境界、符号付き方向距離特徴を複数スケールで統合するマルチレベル認識戦略を適用し、分類器の入力表現を豊かにする。

実験結果

リサーチクエスチョン

• RQ1 境界ヒートマップ回帰と符号付き距離マップ再構成の補助ブランチは、OCTA画像におけるFAZ分類の正確性と境界の正確性を顕著に向上させることができるか？
• RQ2 明示的なFAZ特徴（形状、境界、符号付き距離）は、眼疾患の深層診断分類ネットワークの性能をどの程度向上させるか？
• RQ3 分類と分類の特徴を統合する階層的共同学習フレームワークは、単一タスク学習や標準的なマルチタスク学習を上回る性能を示すか？
• RQ4 さまざまなOCTAデータセットにおいて、提案されたBSDA-Netは、既存の最先端手法と比較して、分類と分類性能の両面で優れているか？

主な発見

• BSDA-NetはOCTA-500データセットで94.23%の精度と87.68%のKappaを達成し、ResNeSt50 や YNet などすべての比較手法を上回った。
• OCTAGONデータセットでは99.53%の精度と98.92%のKappaを達成し、OCTA画像診断分類分野における新たな最先端ベンチマークを樹立した。
• FAZIDデータセットでは82.57%の精度と73.67%のKappaを達成し、特に糖尿病網膜症では89.32%のF1スコアを示した。
• アブレーションスタディの結果、境界（B）および距離（D）ブランチを削除すると分類精度が4.5ポイント低下し、それらの重要性が裏付けられた。
• モデルはFAZ形態の変化の検出において頑健であり、糖尿病およびAMD症例において高い再現率を示しており、臨床的意義があるとされた。
• 可視化結果から、予測されたソフトな境界と再構成されたSDMが、特に低コントラスト領域において、ベースライン手法よりも正確でノイズが少ないことが確認された。