[論文レビュー] Glaucoma Detection From Raw Circumapillary OCT Images Using Fully Convolutional Neural Networks

Gabriel García, Rocío del Amor+2 more|arXiv (Cornell University)|May 29, 2020

Retinal Imaging and Analysis被引用数 9

ひとこと要約

本稿では、視野や眼圧データに依存せずに、唯一の生体断層撮影OCT Bスキャンを用いた、エンドツーエンドのディーブラーニング手法による緑内障検出を提案する。スクラッチから訓練したモデルと微調整されたVGGアーキテクチャを比較した。最高性能を示したモデルは微調整済みVGG19で、独立したテストセットにおいてAUC 0.9594、正解率 0.9230を達成した。クラス活性化マップ（CAM）により、臨床的に関連する視神経線維層（RNFL）領域に注目していることが確認された。

ABSTRACT

Nowadays, glaucoma is the leading cause of blindness worldwide. We propose in this paper two different deep-learning-based approaches to address glaucoma detection just from raw circumpapillary OCT images. The first one is based on the development of convolutional neural networks (CNNs) trained from scratch. The second one lies in fine-tuning some of the most common state-of-the-art CNNs architectures. The experiments were performed on a private database composed of 93 glaucomatous and 156 normal B-scans around the optic nerve head of the retina, which were diagnosed by expert ophthalmologists. The validation results evidence that fine-tuned CNNs outperform the networks trained from scratch when small databases are addressed. Additionally, the VGG family of networks reports the most promising results, with an area under the ROC curve of 0.96 and an accuracy of 0.92, during the prediction of the independent test set.

研究の動機と目的

• 視野や眼圧データに依存せずに、唯一の生体断層撮影OCT Bスキャンを用いた、緑内障のコンピュータ支援診断システムの開発を目的とする。
• 小規模なプライベートOCTデータセット上で、スクラッチから訓練した畳み込みニューラルネットワーク（CNN）と、最先端のアーキテクチャを微調整したモデルの性能を比較する。
• クラス活性化マップ（CAM）の生成により、モデルの予測が臨床的意義を持つかどうかを評価し、専門医の解釈と照合する。
• 1枚の生体断層撮影OCT画像に、正確な緑内障検出に十分な診断情報が含まれることを示す。

提案手法

• ヘイデルベルク・スペクトラリスOCTで取得した249枚の生体断層撮影OCT Bスキャン（正常156例、緑内障93例）からなるプライベートデータセットを用いた。各画像の解像度は496×768ピクセルである。
• データを4/5の訓練用（緑内障73例、正常124例）と1/5の独立テスト用（緑内障20例、正常32例）に分割し、ハイパーパramータチューニングには内部クロスバリデーションを実施した。
• 畳み込み層、バッチ正則化、プーリング層、ドロップアウト層、全結合層を組み合わせた浅いCNNをスクラッチから訓練した。クラス不均衡を補うために、クラスウェイト[1.35, 0.79]を用いた二値交差エントロピー損失を最適化対象とした。
• 同じデータセット上で事前学習済みのVGG16およびVGG19アーキテクチャを微調整し、小規模データセットにおける性能向上を目的としたトランスファー学習を活用した。
• OCT画像内の注目領域を可視化するため、クラス活性化マップ（CAM）を生成した。特に視神経線維層（RNFL）に注目し、モデルの解釈可能性を検証した。
• 標準指標（AUC、正解率、感度、特異度、陽性予測値、陰性予測値、F1スコア）を用いてモデルを評価し、最終モデルは独立したホールドアウトセットでテストした。

実験結果

リサーチクエスチョン

• RQ1 視野や眼圧測定値といった外部データに依存せず、唯一の生体断層撮影OCT Bスキャンから学習したディーブラーニングモデルは、緑内障検出において高い精度を達成できるか？
• RQ2 小規模なプライベートOCTデータセットに適用した場合、事前学習済みCNNアーキテクチャ（例：VGG16/19）を微調整することで、スクラッチから訓練したモデルを上回る性能が得られるか？
• RQ3 最高性能を示したモデルが生成する注目マップ（CAM）は、緑内障におけるRNFL厚さの変化に関する臨床的知識と整合性を示すか？
• RQ4 本手法の性能は、網膜写真やOCT画像を用いた既存の最先端手法と比較して、どのように評価されるか？

主な発見

• 微調整済みVGG19が独立テストセットで最高のAUC 0.9594を記録し、他のすべてのモデル（VGG16：AUC 0.9578、スクラッチ学習モデル）を上回った。
• 微調整済みVGG19モデルは正解率0.9230、感度0.8510、特異度0.9688を達成し、優れた診断性能を示した。
• クラス活性化マップ（CAM）により、モデルが視神経線維層（RNFL）に注目していることが明らかになった。正常眼では厚さが増しているのに対し、緑内障例では薄くなっているパターンが、臨床的経験と一致した。
• スクラッチから訓練したモデルは、特に小規模データセットにおいて、微調整済みアーキテクチャに比べて性能が劣った。これは、限られたデータ環境下でのトランスファー学習の利点を示している。
• 微調整済みVGG19のAUC 0.9594は、網膜写真を用いた類似タスクで報告された結果（例：[5]でAUC 0.94、[7]でAUC 0.91）を上回り、OCT固有のデータに対して優れた性能を示している。
• クラスウェイト[1.35, 0.79]の使用により、正常例と緑内障例の間のクラス不均衡の影響を軽減し、モデルの汎化性能が向上した。