[論文レビュー] Deep learning vessel segmentation and quantification of the foveal avascular zone using commercial and prototype OCT-A platforms

Morgan Heisler, Forson Chan+16 more|arXiv (Cornell University)|Sep 25, 2019

Retinal Imaging and Analysis参考文献 38被引用数 13

ひとこと要約

本研究では、光学コherence断層画像法（OCT-A）画像における黄斑無血管領域（FAZ）および周黄斑血管密度の自動的セグメンテーションと定量的評価のため、深層ニューラルネットワーク（DNN）ベースの手法を提案する。3つのOCT-Aプラットフォーム（商業用およびプロトタイプ）のデータを用いて、DNNは手動セグメンテーションと同等の高い精度、感度、特異度を達成し、全メトリクスで組内相関係数（ICC）>0.51を示し、多様な画像撮影システムにわたる強固な性能を示した。

ABSTRACT

Automatic quantification of perifoveal vessel densities in optical coherence tomography angiography (OCT-A) images face challenges such as variable intra- and inter-image signal to noise ratios, projection artefacts from outer vasculature layers, and motion artefacts. This study demonstrates the utility of deep neural networks for automatic quantification of foveal avascular zone (FAZ) parameters and perifoveal vessel density of OCT-A images in healthy and diabetic eyes. OCT-A images of the foveal region were acquired using three OCT-A systems: a 1060nm Swept Source (SS)-OCT prototype, RTVue XR Avanti (Optovue Inc., Fremont, CA), and the ZEISS Angioplex (Carl Zeiss Meditec, Dublin, CA). Automated segmentation was then performed using a deep neural network. Four FAZ morphometric parameters (area, min/max diameter, and eccentricity) and perifoveal vessel density were used as outcome measures. The accuracy, sensitivity and specificity of the DNN vessel segmentations were comparable across all three device platforms. No significant difference between the means of the measurements from automated and manual segmentations were found for any of the outcome measures on any system. The intraclass correlation coefficient (ICC) was also good (> 0.51) for all measurements. Automated deep learning vessel segmentation of OCT-A may be suitable for both commercial and research purposes for better quantification of the retinal circulation.

研究の動機と目的

• OCT-A画像における黄斑無血管領域（FAZ）および周黄斑血管密度を、強固にセグメンテーションおよび定量可能な深層学習モデルの開発。
• 商業用およびプロトタイプシステムを含む複数のOCT-AプラットフォームにおけるDNNの性能を評価し、一般化可能性を検証。
• 主観的セグメンテーション（ゴールドスタンダード）と比較して、自動DNNセグメンテーション結果がFAZの主要な形態計測パラメータおよび血管密度においてどのように評価されるかを検証。
• 組内相関係数（ICC）を用いて、自動測定の再現性および信頼性を評価。
• 深層学習が投影アーチファクトや運動アーチファクトといったOCT-Aの一般的なアーチファクトを克服し、一貫した網膜微小血管の定量的評価を可能にするかを検証。

提案手法

• 深層ニューラルネットワーク（DNN）を、黄斑領域のOCT-A画像における自動血管セグメンテーションを実行するようにトレーニングした。
• DNNは、1060nmスイープ光源（SS）-OCTプロトタイプ、RTVue XR Avanti、ZEISS Angioplexの3つの異なるプラットフォームで得られたOCT-Aデータに適用された。
• セグメンテーション出力を用いて、4つのFAZ形態計測パラメータ（面積、最小および最大径、離心率）を算出した。
• 周黄斑血管密度は二次的アウトカム指標として定量された。
• DNN出力と専門家による手動セグメンテーションを比較して性能を評価し、精度、感度、特異度、および組内相関係数（ICC）などの指標を用いた。
• 全3プラットフォームにわたる検証により、デバイス固有の画像品質のばらつきに対する一貫性および強靭性を評価した。

実験結果

リサーチクエスチョン

• RQ1 深層学習モデルは、多様なOCT-Aプラットフォームにわたって、黄斑無血管領域および周黄斑血管網の正確かつ一貫したセグメンテーションを達成できるか？
• RQ2 異なる画像撮影システムにおいて、DNNの性能は手動セグメンテーションと比較して精度、感度、特異度の観点でどの程度優れているか？
• RQ3 投影アーチファクトや運動アーチファクトといった一般的なOCT-Aアーチファクトが存在する状況でも、DNNはどの程度の信頼性を維持できるか？
• RQ4 商業用およびプロトタイプOCT-Aデバイスを含め、FAZパラメータおよび血管密度の自動定量が再現可能であるか？
• RQ5 全プラットフォームにわたるDNNから得られた測定値と手動セグメンテーションとの間の組内相関係数（ICC）はどの程度か？

主な発見

• DNNは、商業用およびプロトタイプの3つのOCT-Aプラットフォームすべてにおいて、同等の精度、感度、特異度を達成し、優れた一般化性能を示した。
• 4つのFAZ形態計測パラメータおよび周黄斑血管密度について、自動DNN測定と手動セグメンテーションとの間に有意差は認められなかった。
• 全測定項目の組内相関係数（ICC）は0.51を超えており、プラットフォーム間で良好な信頼性と再現性を示した。
• 変動する信号対雑音比、投影アーチファクト、運動アーチファクトといった課題に対し、本手法は効果的に対処した。
• DNNは、商業用およびプロトタイプの両方のOCT-Aプラットフォームにおいて、FAZ面積、最小/最大径、離心率、および周黄斑血管密度を一貫して正確に定量した。
• これらの結果は、臨床的および研究的現場において、深層学習を用いた自動的で信頼性が高く、プラットフォームに跨る網膜微小血管の定量的評価が可能であることを支持する。