[論文レビュー] Deep Learning based Framework for Automatic Diagnosis of Glaucoma based on analysis of Focal Notching in the Optic Nerve Head

Sneha Dasgupta, Rishav Mukherjee+2 more|arXiv (Cornell University)|Dec 10, 2021

Retinal Imaging and Analysis被引用数 4

ひとこと要約

本稿では、網膜後極部画像を用いた自動緑内障診断のためのディープラーニングフレームワークを提案する。複数クラスのU-Netを用いた視神経乳頭および視杯のセグメンテーションと、Cup-to-Disc Ratio（CDR）および局所的欠損特徴を用いたSVMベースの分類を統合している。本手法はDRISHTI-GSデータセットで93.33%の精度を達成し、CDRのみに依存する手法の限界を補うためにISNTルールに基づくリム厚さ分析を統合することで、診断精度を向上させた。

ABSTRACT

Automatic evaluation of the retinal fundus image is emerging as one of the most important tools for early detection and treatment of progressive eye diseases like Glaucoma. Glaucoma results to a progressive degeneration of vision and is characterized by the deformation of the shape of optic cup and the degeneration of the blood vessels resulting in the formation of a notch along the neuroretinal rim. In this paper, we propose a deep learning-based pipeline for automatic segmentation of optic disc (OD) and optic cup (OC) regions from Digital Fundus Images (DFIs), thereby extracting distinct features necessary for prediction of Glaucoma. This methodology has utilized focal notch analysis of neuroretinal rim along with cup-to-disc ratio values as classifying parameters to enhance the accuracy of Computer-aided design (CAD) systems in analyzing glaucoma. Support Vector-based Machine Learning algorithm is used for classification, which classifies DFIs as Glaucomatous or Normal based on the extracted features. The proposed pipeline was evaluated on the freely available DRISHTI-GS dataset with a resultant accuracy of 93.33% for detecting Glaucoma from DFIs.

研究の動機と目的

• ディープラーニングを用いた網膜後極部画像の自動分析により、緑内障の早期発見を向上させること。
• 自然的に大きな視杯を有する症例においてCDRの限界を補うために、局所的欠損およびISNTルールに基づく神経節後リム厚さ分析を組み込むこと。
• 臨床的に関連する特徴を抽出するため、視神経乳頭および視杯の共同セグメンテーションパイプラインを構築すること。
• 形態的特徴と機械学習分類を統合することで、コンピュータ支援診断（CAD）システムの精度を向上させること。
• 再現可能性およびベンチマークのため、公開済みデータセット（DRISHTI-GS）上でフレームワークを検証すること。

提案手法

• 網膜後極部画像における視神経乳頭（OD）および視杯（OC）領域のセマンティックセグメンテーションに、エンコーダ・デコーダ構造を有するマルチクラスU-Netアーキテクチャを用いる。
• ネットワークは、リサイズされた256×256ピクセル画像上で、Adam最適化アルゴリズムとバイナリクロスエントロピー損失関数を用いて訓練される。
• 局所的欠損特徴は、ISNTセクター（下側、上側、鼻側、側方）における神経節後リム厚さを分析することで抽出され、緑内障を示唆する非対称性を検出する。
• 8つの定量的特徴が抽出される：面積CDR、直径CDR、視杯直径、S距離、I距離、視神経乳頭直径、視杯面積、視神経乳頭面積。
• 分類器としてサポートベクターマシン（SVM）が用いられ、抽出された特徴を用いて緑内障例と正常例を区別する。
• 過学習を防ぐために、データ拡張および検証セットの監視が訓練中に適用される。

実験結果

リサーチクエスチョン

• RQ1 ディープラーニングベースのセグメンテーションモデルは、網膜後極部画像から視神経乳頭および視杯を同時に高精度にセグメンテーションできるか？
• RQ2 ISNTルールに基づく局所的欠損特徴を組み込むことで、CDRのみに依存する場合に比べ、緑内障分類の精度が向上するか？
• RQ3 U-NetセグメンテーションとSVM分類のハイブリッドパイプラインは、従来のCADシステムを上回る緑内障検出性能を示せるか？
• RQ4 本手法はDRISHTI-GSデータセットにおいて、セグメンテーションおよび分類の指標に関してどのように性能を示すか？
• RQ5 視杯直径やリム厚さなどの形態的特徴は、緑内障眼と正常眼を区別するためにどの程度寄与するか？

主な発見

• 提案されたマルチクラスU-Netは、DRISHTI-GSテストセットにおいて、視神経乳頭セグメンテーションで99.697%の精度、98.103%の再現率、92.654%の適合率を達成した。
• 視杯セグメンテーションに関しては、99.513%の精度、91.459%の再現率、89.498%の適合率を達成し、高いセグメンテーションの忠実性を示した。
• SVMベースの分類モデルは、テストデータセットで全体で93.33%の精度、90.9%の感度、94.73%の特異度を達成した。
• ISNTルールに基づく欠損特徴の統合により、解剖的変異に起因する基準CDRが高値である症例においても分類のロバスト性が著しく向上した。
• 視杯セグメンテーションのF1スコアは0.89728であり、適合率と再現率の良好なバランスを示した。
• 混同行列は、偽陽性率（1/19）と偽陰性率（1/11）が低く、信頼性の高い臨床意思決定支援を支持していた。