[論文レビュー] Inference of visual field test performance from OCT volumes using deep learning

Stefan Maetschke, Bhavna Antony+4 more|arXiv (Cornell University)|Aug 4, 2019

Retinal Imaging and Analysis被引用数 6

ひとこと要約

本研究では、網膜神経線維層（ONH）または中心窪の生オプティカルコherenceトモグラフィ（OCT）ボリュームから、セグメンテーションやレジistrationを経由せずに視野検査（VFT）指標（視野インデックス：VFI、平均偏差：MD）を直接推定する3次元畳み込みニューラルネットワーク（CNN）を提案する。CNNはONHスキャンにおいてVFIに対して0.88 ± 0.035、MDに対して0.88 ± 0.023のピアソン相関を達成し、ランダムフォレスト（PC = 0.74 ± 0.090）を著しく上回った。

ABSTRACT

Visual field tests (VFT) are pivotal for glaucoma diagnosis and conducted regularly to monitor disease progression. Here we address the question to what degree aggregate VFT measurements such as Visual Field Index (VFI) and Mean Deviation (MD) can be inferred from Optical Coherence Tomography (OCT) scans of the Optic Nerve Head (ONH) or the macula. Accurate inference of VFT measurements from OCT could reduce examination time and cost. We propose a novel 3D Convolutional Neural Network (CNN) for this task and compare its accuracy with classical machine learning (ML) algorithms trained on common, segmentation-based OCT, features employed for glaucoma diagnostics. Peak accuracies were achieved on ONH scans when inferring VFI with a Pearson Correlation (PC) of 0.88$\\pm$0.035 for the CNN and a significantly lower (p $<$ 0.01) PC of 0.74$\\pm$0.090 for the best performing, classical ML algorithm - a Random Forest regressor. Estimation of MD was equally accurate with a PC of 0.88$\\pm$0.023 on ONH scans for the CNN.

研究の動機と目的

• 網膜神経線維層（ONH）または中心窪の生OCTボリュームから、セグメンテーションやレジスタレーションを経由せずに、視野検査（VFT）の集約指標（VFIやMD）を正確に推定できるかどうかを調査すること。
• 標準的なセグメンテーションベースのOCT特徴量を用いて訓練された古典的機械学習モデルと比較して、3次元CNNの性能を評価すること。
• 緑内障の診断および病状進行のモニタリングにおいて、視野検査への依存を低減または置き換えることが可能かどうかを評価すること。
• クラス活性マップ（CAMs）を用いて、予測に寄与する関連網膜領域を特定することで、深層学習モデルの解釈可能性を評価すること。
• モデルの性能が、VFT測定に内在するばらつきに起因するのか、それともOCTデータの構造的制限に起因するのかを特定すること。

提案手法

• 3次元畳み込みニューラルネットワーク（CNN）を、網膜神経線維層（ONH）または中心窪の生でダウンサンプルしたOCTボリューム（64×64×128）に対してエンドツーエンドで訓練し、事前のセグメンテーションは一切行わない。
• ネットワークは、平均二乗誤差損失関数を用いてVFIとMDを予測するように訓練され、データは80％トレーニング、10％検証、10％テストに分割され、患者レベルのデータ整合性が保持された。
• 性能評価には、平均二乗誤差（RMSE）とピアソン相関（PC）が用いられ、PCは予測値と真値の間の標準相関係数として計算された。
• 予測に寄与するOCTボリュームの領域を可視化するため、クラス活性マップ（CAMs）が生成され、解釈可能性が向上した。
• データ拡張技術として、ランダムなオクルージョン、平行移動、微小回転（±10°）、ミックスアップを検討したが、精度に顕著な向上が得られなかったため、最終結果には使用しなかった。
• 年齢や眼内圧（IOP）は入力として使用せず、予測にあたっては生OCT強度ボリュームのみに依存する。

実験結果

リサーチクエスチョン

• RQ1 網膜神経線維層（ONH）または中心窪の生OCTボリュームから、セグメンテーションやレジスターションを経由せずに、VFI や MD などの集約VFT指標を正確に推定できるか？
• RQ2 標準的なセグメンテーションベースのOCT特徴量を用いて訓練された古典的機械学習モデル（例：ランダムフォレスト、SVM）と比較して、3次元CNNの性能はどの程度か？
• RQ3 クラス活性マップ（CAMs）は、視野障害と相関する生物学的に妥当なOCTボリューム領域をどの程度特定できるか？
• RQ4 深層学習モデルの性能は、視野検査の固有のばらつきに起因するのか、それともOCT画像の構造的アーチファクトに起因するのか？
• RQ5 明示的なセグメンテーションやレジスターションを省略することで、中程度から重度の緑内障症例において、従来手法と比較してより高いロバスト性を示すのか？

主な発見

• 3次元CNNは、ONHスキャンを用いた場合、VFIに対して0.88 ± 0.035、MDに対して0.88 ± 0.023のピアソン相関（PC）を達成し、最も優れた古典的モデル（ランダムフォレスト）のPC（0.74 ± 0.090）を有意に上回った（p < 0.01）。
• 全データセットにおけるCNNの性能はVFIでPCが0.93に達し、強力な一般化性能を示したが、テストフォールドのPCは0.88であり、依然として高い水準で安定していた。
• クラス活性マップ（CAMs）は、健常な眼ではGCIPL（集合細胞層および内側plexiform層）に注目しているのを示し、進行した緑内障（VFI = 50、30）では、特定の薄層領域が段階的に強調されていることを明らかにした。
• モデルの性能は、VFTの再テストばらつきがr = 0.88と報告されていることから、推定精度の実用的限界に近いことが示唆され、CNNが推定精度の上限に近づいている可能性がある。
• セグメンテーションやレジスターションを省略した生OCTボリュームの使用により、特に進行した緑内障において、複数のOCTフィールド間のレジスターションや層セグメンテーションに起因する誤差を回避できた。
• データ拡張（オクルージョン、回転、ミックスアップ）を検討したが、精度に顕著な向上が得られなかったため、モデルが現在のデータ分布においてすでに最適に近い可能性があると示唆された。