[論文レビュー] Multi-Context Deep Network for Angle-Closure Glaucoma Screening in Anterior Segment OCT

Huazhu Fu, Yanwu Xu+6 more|arXiv (Cornell University)|Sep 10, 2018

Retinal Imaging and Analysis参考文献 14被引用数 12

ひとこと要約

本稿では、前眼部OCT（AS-OCT）画像における隅口締まり緑内障スクリーニングのためのマルチコンテキストディープネットワーク（MCDN）を提案する。臨床的先行知識を活用して、複数の解剖学的に関連する領域から特徴を抽出する平行な畳み込みストリームを用いる。大規模なAS-OCTデータセット上で0.9456のAUCを達成し、従来の臨床的パラメータベース、視覚的特徴ベース、ディープラーニングベースの手法を上回る性能を発揮した。これは、領域特有の表現と推定された臨床的パラメータを統合することで実現された。

ABSTRACT

A major cause of irreversible visual impairment is angle-closure glaucoma, which can be screened through imagery from Anterior Segment Optical Coherence Tomography (AS-OCT). Previous computational diagnostic techniques address this screening problem by extracting specific clinical measurements or handcrafted visual features from the images for classification. In this paper, we instead propose to learn from training data a discriminative representation that may capture subtle visual cues not modeled by predefined features. Based on clinical priors, we formulate this learning with a presented Multi-Context Deep Network (MCDN) architecture, in which parallel Convolutional Neural Networks are applied to particular image regions and at corresponding scales known to be informative for clinically diagnosing angle-closure glaucoma. The output feature maps of the parallel streams are merged into a classification layer to produce the deep screening result. Moreover, we incorporate estimated clinical parameters to further enhance performance. On a clinical AS-OCT dataset, our system is validated through comparisons to previous screening methods.

研究の動機と目的

• 手作業で設計された特徴やグローバル画像解析を越えた、微細な病理的兆候を捉えることができる、自動化されたAS-OCT画像における隅口締まり緑内障スクリーニングのためのディープラーニング手法の開発。
• 解剖学的に情報のある領域とスケールを含む臨床的先行知識を、ディープネットワークアーキテクチャに統合し、より優れた診断的表現学習を実現すること。
• 強度ベースのデータオーグメンテーションを用いて、画像取得デバイスのばらつきに対するモデルのロバスト性を向上させること。
• ディープラーニング特徴と推定された臨床的パラメータを融合させることで、スクリーニング性能が向上することを実証すること。
• 8,270枚の画像からなる大規模で被験者数がバランスの取れたAS-OCTデータセットを用いて、手法の妥当性を検証すること。

提案手法

• MCDNアーキテクチャは、2つの並列の畳み込みニューラルネットワークストリームを用いる。1つはグローバルなAS-OCT画像パッチを処理し、もう1つは高解像度で局所的かつ臨床的に関連する領域（例：前房角）に焦点を当てる。
• 各ストリームは、それぞれの入力領域から特徴を学習する。グローバルストリームは120×120のパッチを処理し、ローカルストリームは前房角（ACA）に中心を置いた小さな高精細領域を処理する。
• 両ストリームの特徴マップを連結し、分類層に供給することで最終的なスクリーニング確率を出力する。
• モデルは事前学習済みのVGG-16ネットワークを微調整し、交差エントロピー損失を用いてエンドツーエンドで訓練する。
• 強度ベースのデータオーグメンテーションを適用して、異なるAS-OCT画像デバイスに起因する変動を模擬し、一般化性能を向上させる。
• 臨床的パラメータ（例：ACA角度測定値）はセグメンテーションにより推定され、ディープ特徴と平均化された予測確率によって融合される。

実験結果

リサーチクエスチョン

• RQ1 AS-OCT画像における複数の解剖学的コンテキストに注目するディープラーニングモデルは、従来の手作業特徴ベースやグローバル画像解析ベースの手法を上回ることができるか？
• RQ2 既知の情報のある領域とスケールといった臨床的先行知識を統合することで、隅口締まり緑内障スクリーニングにおけるディープ特徴の判別力が向上するか？
• RQ3 強度ベースのデータオーグメンテーションは、AS-OCTにおける機器間の画像変動に起因する性能低下をどの程度緩和できるか？
• RQ4 ディープラーニングの予測結果と推定された臨床的パラメータを融合させることで、単独で使用するいずれのモダリティよりもスクリーニング精度が向上するか？
• RQ5 大規模な臨床データセットにおいて、提案されたMCDNアーキテクチャは、AUC、感度、特異度という観点から、最先端のディープラーニングモデルと比較してどのように差をつけるか？

主な発見

• 提案されたMCDNはAUC 0.9456を達成し、次に優れた手法（マルチカラムディープモデル）の0.9312 AUCを顕著に上回った。
• バランスの取れた正解率は0.8926であり、感度88.89%、特異度89.63%を達成し、高い診断的信頼性を示した。
• ディープ特徴と臨床的パラメータを融合させることで、AUCが0.9305（グローバル＋ローカル）から0.9456に向上した。これは臨床的知識の補完的価値を確認した。
• ローカル領域ストリーム単体でもAUC 0.9208を達成し、視覚的特徴ベース手法（0.9248 AUC）を上回った。これは、ターゲット領域からのディープ特徴がHOG特徴よりも有効であることを示した。
• グローバル画像ストリーム単体では性能が低かった（AUC 0.8941）。これは、標準的なダウンサンプリングを伴う全画像処理では、重要な判別的詳細が失われる可能性があることを示唆している。
• 1枚の画像あたり500 msで処理が可能であり、臨床現場への導入に適している。