[論文レビュー] Fully Automated Segmentation of Hyperreflective Foci in Optical Coherence Tomography Images

Thomas Schlegl, Hrvoje Bogunović+7 more|arXiv (Cornell University)|May 8, 2018

Retinal Imaging and Analysis参考文献 4被引用数 27

ひとこと要約

本論文は、残差U-Netアーキテクチャを用いて、スペクトルドメイン光学干渉断層画像法（SD-OCT）スキャンにおける高反射焦点（HRF）を完全に自動化された深層学習手法でセグメンテーションする手法を提示する。複数のベンダーおよび複数の疾患のOCTデータで訓練されたモデルは、平均DSCが0.6526に達し、人間のレーティング間のばらつきと同等の高い精度を示し、加齢性黄斑変性（AMD）、糖尿病性網膜症（DME）、静脈閉塞（RVO）を含む多様な網膜病変においても強固な性能を発揮する。

ABSTRACT

The automatic detection of disease related entities in retinal imaging data is relevant for disease- and treatment monitoring. It enables the quantitative assessment of large amounts of data and the corresponding study of disease characteristics. The presence of hyperreflective foci (HRF) is related to disease progression in various retinal diseases. Manual identification of HRF in spectral-domain optical coherence tomography (SD-OCT) scans is error-prone and tedious. We present a fully automated machine learning approach for segmenting HRF in SD-OCT scans. Evaluation on annotated OCT images of the retina demonstrates that a residual U-Net allows to segment HRF with high accuracy. As our dataset comprised data from different retinal diseases including age-related macular degeneration, diabetic macular edema and retinal vein occlusion, the algorithm can safely be applied in all of them though different pathophysiological origins are known.

研究の動機と目的

• SD-OCTスキャンにおけるHRFの検出が人的に困難で誤差を含み、時間のかかる一貫性のないプロセスであるという課題に対処する。
• 網膜OCT画像における高反射焦点（HRF）のピクセル単位の正確なセグメンテーションを実現する完全自動の深層学習ベースの手法を開発する。
• 異なるOCTスキャナーベンダー（Cirrus、Spectralis）および網膜疾患（AMD、DME、RVO）の間でのモデルの一般化性能を評価する。
• HRFセグメンテーションにおける損失関数の選択（交差エントロピー対比Dice）およびネットワークアーキテクチャの比較（ResUNet、U-Net）を実施する。
• 臨床的レーティング間の信頼性に相当する自動HRF定量化のベンチマークを確立する。

提案手法

• U-Netのスキップ接続とResNetの残差ブロックを組み合わせた残差U-Net（ResUNet）アーキテクチャを提案し、トレーニングの深さと特徴量学習の向上を図る。
• AMD、DME、RVOを有する患者の手動アノテーション済みSD-OCT Bスキャンデータセットを用いて、教師あり学習でモデルを訓練する。
• セグメンテーション性能への影響を評価するため、2つのトレーニング目的（交差エントロピー損失とDice損失）を評価する。
• CirrusまたはSpectralisの1ベンダーのみでのトレーニングと、両ベンダーのデータを統合してのトレーニングを実施し、モデルのロバストネスと一般化性能をテストする。
• 主な評価指標として平均Dice類似係数（DSC）と平均適合率（AP）を用い、モデル比較には精度-再現率曲線を用いる。
• 25枚の二重アノテーション済みOCT画像を用いて、人間のレーティング間のばらつきと比較し、DSCを人間の一致度の指標として使用して性能を検証する。

実験結果

リサーチクエスチョン

• RQ1 多様な網膜疾患にわたるSD-OCTスキャンにおいて、完全自動の深層学習モデルが高精度なHRFセグメンテーションを達成できるか？
• RQ2 トレーニング損失の選択（交差エントロピー対比Dice）が、OCT画像におけるHRFセグメンテーション性能にどのように影響するか？
• RQ3 CirrusおよびSpectralisの複数ベンダーのOCTデータでトレーニングされた1つのモデルが、異なる画像デバイス間でどの程度一般化できるか？
• RQ4 提案されたResUNetモデルの性能は、単純なアーキテクチャ（例：標準U-Net）および損失関数と比較してどうなるか？
• RQ5 自動セグメンテーションの性能は、臨床的専門家によるアノテーションで観察される人間のレーティング間のばらつきと同等か、それを上回るか？

主な発見

• CirrusおよびSpectralisの両データで共同トレーニングした場合、交差エントロピー損失を用いたResUNetが、平均DSC 0.6526を達成し、他のモデルや損失関数を上回った。
• 最高性能を発揮したモデル（ResUNet +）は、Cirrusデータで平均適合率（AP）0.7063、SpectralisデータでAP 0.6775を達成し、優れた検出性能を示した。
• 全テスト画像におけるモデルの平均DSCは0.6430であり、人間のレーティング間のばらつき範囲（DSC = 0.6760）に含まれており、臨床的レベルの正確性を示唆した。
• CirrusおよびSpectralisの複数ベンダーのデータを統合してのトレーニングは、単一ベンダーでのトレーニングと比較して、モデルの一般化性能と性能を向上させた。
• 交差エントロピー損失は、HRFのラベル分布が著しく不均衡であることに鑲って、Dice損失よりもDSCおよびAPの両面で一貫して優れた性能を示した。
• ResUNetアーキテクチャは、異なるOCTスキャナーや疾患タイプに起因する視覚的ばらつきに対して優れたロバストネスを示し、AMD、DME、RVOを含む幅広い応用に適していた。