[論文レビュー] Classification of dry age-related macular degeneration and diabetic macular edema from optical coherence tomography images using dictionary learning

Elahe Mousavi, Rahele Kafieh+1 more|arXiv (Cornell University)|Mar 16, 2019

Retinal Imaging and Analysis被引用数 4

ひとこと要約

本論文は、網膜層セグメンテーションに依存せずに、乾性加齢性黄斑変性症（AMD）、糖尿病性黄斑浮腫（DME）、および正常例を光学干渉断層画像（OCT）から区別するための辞書学習ベースの分類フレームワークを提案する。ヒストグラム・オブ・オリエンテッド・グラデント（HOG）特徴を抽出し、Fused Dictionary Learning（FDDL）を適用することで、1体積あたり4%のBスキャンのみを用いて、AMDでは95.13%、DMEでは100%、正常例では100%の正確さを達成し、初期疾患所見に対する高い感受性を示した。

ABSTRACT

Age-related Macular Degeneration (AMD) and Diabetic Macular Edema (DME) are the major causes of vision loss in developed countries. Alteration of retinal layer structure and appearance of exudate are the most significant signs of these diseases. With the aim of automatic classification of DME, AMD and normal subjects from Optical Coherence Tomography (OCT) images, we proposed a classification algorithm. The two important issues intended in this approach are, not utilizing retinal layer segmentation which by itself is a challenging task and attempting to identify diseases in their early stages, where the signs of diseases appear in a small fraction of B-Scans. We used a histogram of oriented gradients (HOG) feature descriptor to well characterize the distribution of local intensity gradients and edge directions. In order to capture the structure of extracted features, we employed different dictionary learning-based classifiers. Our dataset consists of 45 subjects: 15 patients with AMD, 15 patients with DME and 15 normal subjects. The proposed classifier leads to an accuracy of 95.13%, 100.00%, and 100.00% for DME, AMD, and normal OCT images, respectively, only by considering the 4% of all B-Scans of a volume which outperforms the state of the art methods.

研究の動機と目的

• 網膜層セグメンテーションを不要とする、乾性AMD、DME、正常OCT画像を分類する自動化された手法の開発。
• 病変所見がBスキャンのわずかな部分にしか現れない初期疾患を検出する。
• 網膜層セグメンテーションを回避しつつ、特徴の判別的学習を活用することで、最先端手法を上回る分類正確さを実現する。
• 最小限の代表的Bスキャンを用いた早期診断の可能性を示す。

提案手法

• OCT Bスキャンからヒストグラム・オブ・オリエンテッド・グラデント（HOG）特徴を抽出し、局所的な強度勾配とエッジ構造を捉える。
• 判別的特徴を学習するために、Fused Dictionary Learning（FDDL）、コラボラティブ・レプレゼンテーションベースの辞書学習（COPAR）、低ランクスパース辞書学習（LRSDL）の3つの辞書学習手法を適用する。
• 45名の被験者（各疾患15名）からなるデータセットを用い、3つを除いた交差検証戦略を採用して分類器を学習および評価する。
• 各3次元OCTボリュームを、Bスキャン予測の多数決に基づいて分類し、最終的なラベルはBスキャン内の最頻値クラスによって決定する。
• 早期診断を重視し、最小限のBスキャン（4%程度）からの疾患検出を最適化したフレームワークを構築する。
• 正確さを指標として性能を評価し、同一のデータセットおよび交差検証プロトコルを用いて既存手法と比較する。

実験結果

リサーチクエスチョン

• RQ1 網膜層セグメンテーションを必要としない辞書学習ベースの分類器は、AMD、DME、正常OCT画像を高精度に区別できるか？
• RQ2 病変所見がBスキャンのわずかな部分にしか現れない初期AMDおよびDMEを、本手法は検出可能か？
• RQ3 HOG特徴に適用した際、FDDL、COPAR、LRSDLの性能はどのように比較されるか？
• RQ4 最小限のBスキャン表現を用いても、最先端の手法を上回る正確さを達成できるか？
• RQ5 信頼性のある分類が可能なBスキャンの最小割合はどの程度か？これは初期疾患検出能力を示す。

主な発見

• 本手法は、1体積あたり4%のBスキャンのみを用いて、AMDで95.13%、DMEで100.00%、正常例で100.00%の正確さを達成した。
• HOG特徴を用いたFused Dictionary Learning（FDDL）がCOPARおよびLRSDLを上回り、全データセットにおける全体正確さが98.37%という最高水準を記録した。
• 本手法はDMEおよびAMD症例をすべて正しく検出でき、SrinivasanらおよびWang Yuらの手法よりも正常例分類で優れた性能を示した。
• FDDLベースの分類器は、leave-three-out交差検証にたった22分で完了し、COPAR（41分）およびLRSDL（32分）と比較して、より効率的な学習を実現した。
• 本手法は、完全なボリューム解析に依存しない強固な特徴表現のおかげで、従来手法に比べて優れた性能を発揮した。特に、正常例および初期疾患の検出において顕著な優位性を示した。
• 結果から、HOG特徴を用いた辞書学習は、病変所見がBスキャンボリューム内で希薄であっても、網膜病変の信頼性の高い初期段階検出を可能にすることが確認された。