[論文レビュー] Identifying and Categorizing Anomalies in Retinal Imaging Data

Philipp Seeböck, Sebastian M. Waldstein+6 more|arXiv (Cornell University)|Dec 2, 2016

Retinal Imaging and Analysis被引用数 22

ひとこと要約

本稿では、健康な訓練データのみを用いて、網膜OCT画像における異常を検出し、分類する非教師あり深層学習フレームワークを提案する。本手法は、異常領域のセグメンテーションでDiceスコア0.55を達成し、臨床的に意味のある病変のクラスタリングを可能にし、学習された特徴量を用いた下流分類タスクで86.6%の精度を達成した。

ABSTRACT

The identification and quantification of markers in medical images is critical for diagnosis, prognosis and management of patients in clinical practice. Supervised- or weakly supervised training enables the detection of findings that are known a priori. It does not scale well, and a priori definition limits the vocabulary of markers to known entities reducing the accuracy of diagnosis and prognosis. Here, we propose the identification of anomalies in large-scale medical imaging data using healthy examples as a reference. We detect and categorize candidates for anomaly findings untypical for the observed data. A deep convolutional autoencoder is trained on healthy retinal images. The learned model generates a new feature representation, and the distribution of healthy retinal patches is estimated by a one-class support vector machine. Results demonstrate that we can identify pathologic regions in images without using expert annotations. A subsequent clustering categorizes findings into clinically meaningful classes. In addition the learned features outperform standard embedding approaches in a classification task.

研究の動機と目的

• 注釈付き病理的データに依存せずに、網膜OCT画像における診断的に関連する異常を検出すること。
• 健康な網膜画像からのみ学習することで、未知のバイオマーカーを同定する手法を開発すること。
• クラスタリングを用いて、検出された異常領域を臨床的に意味のあるサブタイプに分類すること。
• 下流分類タスクにおける学習された特徴量の判別力の評価すること。

提案手法

• 健康なOCTパッチ上でトレーニングされるマルチスケールのディープ畳み込みオートエンコーダ（DCAE）が、階層的な特徴表現を学習する。
• 2つのDCAEスケール（32×32およびダウンサンプルド128×32）からの特徴量が連結され、ノイズ除去オートエンコーダに供給され、1スーパーピクセルあたり256次元の特徴ベクトルが生成される。
• 健康なスーパーピクセルの256次元特徴量にワンクラスSVMをトレーニングし、正常対異常領域の意思決定境界を定義する。
• 球面K-meansクラスタリング（コサイン距離）とDavies-Bouldin指数を用いて、異常スーパーピクセルをサブタイプにさらにセグメンテーションする。
• 本フレームワークはピクセル単位の異常セグメンテーションと、生物学的に解釈可能なクラスタへの後続の分類を可能にする。
• 性能評価はDiceスコア、IRC/SRF/その他の分類精度、およびクラスタ解釈の専門家による検証を用いて実施される。

実験結果

リサーチクエスチョン

• RQ1 健康な訓練データのみを用いて、非教師ありモデルが網膜OCT画像における臨床的に関連する異常を検出可能か？
• RQ2 検出された異常領域は、クラスタリングによって意味的に明確な病理的サブタイプに分類可能か？
• RQ3 DCAEから学習された特徴量は、下流分類タスクにおいて十分な判別力を持つか？
• RQ4 本手法は、従来のPCAベースの特徴抽出法と比較して、異常検出および分類において優れているか？

主な発見

• 提案されたDCAEentモデルは、異常セグメンテーションでDiceスコア0.55を達成し、PCAベースのベースライン（0.33および0.32）を顕著に上回った。
• DCAE特徴量を用いたワンクラスSVMは、高い正確性（0.53）と再現率（0.58）を達成し、異常領域を効果的にセグメンテーションした。
• 7クラスタで球面K-meansクラスタリングがDavies-Bouldin指数を最小化し、異常を臨床的に解釈可能な形で分類可能であった。
• 専門家はクラスタ1を明るい水平縁を持つRPEと特定し、クラスタ4を網膜内液と特定し、クラスタ3および5を駆逐性液と特定した。これにより臨床的妥当性が確認された。
• DCAEent特徴量は3クラス分類タスク（IRC、SRF、その他）で平均分類精度86.6%を達成し、PCAベースのモデル（73.4%および73.3%）を上回った。
• t-SNE可視化により、学習された特徴空間が意味的な構造を捉えており、明確に分離された解剖学的および病理的パターンに対応するクラスタが得られた。