[論文レビュー] Open-Narrow-Synechiae Anterior Chamber Angle Classification in AS-OCT Sequences

Huaying Hao, Huazhu Fu+6 more|arXiv (Cornell University)|Jun 9, 2020

Glaucoma and retinal disorders参考文献 13被引用数 5

ひとこと要約

本論文では、AS-OCTシーケンスにおける開口・狭窄・粘連の3クラス分類を目的とした、シーケンスマルチスケールアグリゲーションネットワーク（SMA-Net）を提案する。マルチスケール特徴抽出のためのMSDAブロックと、ConvLSTMを用いた時系列モデリングを統合し、2つのデータセットで最先端の性能を達成した。これは、連続的なAS-OCT画像を用いた3クラスACAグレーディングのための最初の自動化手法である。

ABSTRACT

Anterior chamber angle (ACA) classification is a key step in the diagnosis of angle-closure glaucoma in Anterior Segment Optical Coherence Tomography (AS-OCT). Existing automated analysis methods focus on a binary classification system (i.e., open angle or angle-closure) in a 2D AS-OCT slice. However, clinical diagnosis requires a more discriminating ACA three-class system (i.e., open, narrow, or synechiae angles) for the benefit of clinicians who seek better to understand the progression of the spectrum of angle-closure glaucoma types. To address this, we propose a novel sequence multi-scale aggregation deep network (SMA-Net) for open-narrow-synechiae ACA classification based on an AS-OCT sequence. In our method, a Multi-Scale Discriminative Aggregation (MSDA) block is utilized to learn the multi-scale representations at slice level, while a ConvLSTM is introduced to study the temporal dynamics of these representations at sequence level. Finally, a multi-level loss function is used to combine the slice-based and sequence-based losses. The proposed method is evaluated across two AS-OCT datasets. The experimental results show that the proposed method outperforms existing state-of-the-art methods in applicability, effectiveness, and accuracy. We believe this work to be the first attempt to classify ACAs into open, narrow, or synechia types grading using AS-OCT sequences.

研究の動機と目的

• 角膜隔壁塞塞症の診断において、二値の開口／閉塞分類を超えて、臨床的に重要な3クラス分類（開口、狭窄、粘連）を提供する臨床的ニーズに対応する。
• 連続的な画像フレーム間の動的進行を捉えられない既存の2次元AS-OCTスライスベース手法の限界を克服する。
• AS-OCTシーケンスにおける空間的マルチスケール表現と時系列ダイナミクスの両方をモデル化できるディーブラーニングフレームワークの開発。
• スライスレベルとシーケンスレベルの特徴をマルチロス関数を用いて統合することで、診断精度と臨床的有用性を向上させる。
• 原発性角膜隔壁塞塞症の早期発見と介入を可能にするために、逆転可能な（狭窄）と逆転不能な（粘連）状態を区別する。

提案手法

• AS-OCTシーケンスを入力として用いる、新たなシーケンスマルチスケールアグリゲーションネットワーク（SMA-Net）を提案し、3クラスACA分類を実現する。
• 個々のAS-OCTスライスからの階層的でマルチスケールの特徴を抽出するために、マルチスケールディスcrimナティブアグリゲーション（MSDA）ブロックを採用する。
• 連続するAS-OCTフレーム間の時系列的依存関係と動的変化をモデル化するため、ConvLSTM層を統合し、動きや外観の変化を捉える。
• スライスベースとシーケンスベースの損失を組み合わせたマルチレベル損失関数を用い、空間的および時系列的特徴学習を同時に最適化する。
• 特徴抽出のためのバックボーンネットワークとしてXceptionを採用し、MSDAブロックおよびConvLSTMを組み合わせることで表現学習を強化する。
• 時系列ダイナミクスのモデリングをさらに精緻化するために、自己教師あり損失成分（$\mathcal{L}_{\mathrm{SV}}$）を適用する。

実験結果

リサーチクエスチョン

• RQ1 深層学習モデルは、AS-OCTシーケンスを用いて、臨床的に重要な3つのカテゴリー（開口、狭窄、粘連）に前房角を効果的に分類できるか？
• RQ2 連続するAS-OCTフレーム間の時系列的ダイナミクスをモデル化することで、単一スライス手法と比較して分類性能がどのように向上するか？
• RQ3 マルチスケール空間的表現は、早期の緑内障段階における微細なACA変化の識別をどの程度向上させるか？
• RQ4 スライスレベルとシーケンスレベルの監視を統合したマルチロス戦略は、一般化性能と精度を向上させるか？
• RQ5 提案手法は、3クラスおよび2クラスのACA分類タスクにおいて、既存の最先端の2次元および3次元ディーブラーニングモデルを上回る性能を示せるか？

主な発見

• 提案されたSMA-Netは、プライベートデータセットでκ係数0.7931、AUC 0.8826を達成し、XceptionやMA-Netといったベースラインモデルを上回った。
• ConvLSTMモジュールの追加により、MA-Netベースラインと比較してκ係数が4.53%向上し、AUCが0.49%向上した。これは、時系列モデリングの価値を示している。
• マルチロス関数（$\mathcal{L}_{\mathrm{SV}}$）の導入により、MA-Net+ConvLSTM構成と比較して、κ係数がさらに4.53%向上し、AUCが0.49%向上した。
• パブリックデータセットであるAGEでは、2クラス分類（開口／角膜隔壁塞塞症）において、AUC = 1.000000、Recall = 1.000000、Specificity = 1.000000という完璧な性能を達成した。
• AGEデータセットにおいて、Xception、Inception-V3、MSCNNといった最先端モデルをAUCおよび感度の両面で顕著に上回った。
• アブレーションスタディにより、MSDAブロック、ConvLSTM、マルチロス関数の組み合わせが最適な性能を発揮するために不可欠であることが確認され、各コンポonentが精度向上に段階的に寄与していた。