[論文レビュー] Towards Label-Free 3D Segmentation of Optical Coherence Tomography Images of the Optic Nerve Head Using Deep Learning

Sripad Krishna Devalla, Tan Hung Pham+17 more|arXiv (Cornell University)|Jan 1, 2020

Retinal Imaging and Analysis参考文献 71被引用数 4

ひとこと要約

本稿では、光学コherenceトモグラフィー（OCT）画像における視神経乳頭組織の3次元セグメンテーションのためのラベルフリーでデバイスに依存しない深層学習フレームワークを提案する。2段階のアプローチを採用し、まず3台の異なるOCTデバイスで画像品質を向上させるデバイス固有の強化ネットワークを用い、次に1台のデバイスで学習したセグメンテーションネットワーク（ONH-Net）を他の2台のデバイスで正確に組織をセグメンテーションする。この方法により、新しいデバイス用に手動セグメンテーションを必要とせず、Diceスコアが0.92以上に達し、広範な臨床応用が可能となる。

ABSTRACT

Recently proposed deep learning (DL) algorithms for the segmentation of optical coherence tomography (OCT) images to quantify the morphological changes to the optic nerve head (ONH) tissues during glaucoma have limited clinical adoption due to their device specific nature and the difficulty in preparing manual segmentations (training data). We propose a DL-based 3D segmentation framework that is easily translatable across OCT devices in a label-free manner (i.e. without the need to manually re-segment data for each device). Specifically, we developed 2 sets of DL networks: the 'enhancer' (enhance OCT image quality and harmonize image characteristics from 3 devices) and the 'ONH-Net' (3D segmentation of 6 ONH tissues). We found that only when the 'enhancer' was used to preprocess the OCT images, the 'ONH-Net' trained on any of the 3 devices successfully segmented ONH tissues from the other two unseen devices with high performance (Dice coefficients > 0.92). We demonstrate that is possible to automatically segment OCT images from new devices without ever needing manual segmentation data from them.

研究の動機と目的

• OCTを用いた緑内障セグメンテーションにおけるデバイス固有の深層学習モデルの臨床的制限を克服すること。
• 新しいOCTデバイスにモデルを展開する際、手動セグメンテーションアノテーションの必要性を排除すること。
• 再トレーニングにラベル付きデータを用いずに、3次元セグメンテーションのクロスデバイス一般化を可能にするフレームワークの開発。
• 多様なOCTスキャナを有する臨床現場における緑内障管理における深層学習ツールの臨床的応用可能性を向上させること。

提案手法

• 2段階の深層学習フレームワークを提案：画像強化ネットワークに続く3次元セグメンテーションネットワーク（ONH-Net）。
• 強化ネットワークは、3台の異なるOCTデバイスからのラベルなしOCTボリュームを用いて学習し、コントラストやスぺックルノイズなどの画像特性を均一化する。
• ONH-Netは1台のデバイスからのデータにのみトレーニングされるが、他のデバイスからの強化画像を活用してクロスデバイスセグメンテーションを実現する。
• 強化ネットワークにより、画像品質がデバイス間で一貫するため、ONH-Netは新しいデバイスのラベル付きデータで再トレーニングすることなく一般化が可能となる。
• フレームワークは、新しいデバイスごとに100件のラベルなしボリュームのみを用いて強化ネットワークを再トレーニングするが、時間のかかる手動セグメンテーションを回避する。
• 本アプローチはトランスファーラーニングとは異なり、セグメンテーションネットワークと強化ネットワークは独立して学習し、強化ネットワークがONH-Netと知識を共有せずに一般化を可能にする。

実験結果

リサーチクエスチョン

• RQ1 ラベルなしの深層学習ベースの3次元セグメンテーションフレームワークは、各デバイスで手動セグメンテーションを必要とせずに、複数のOCTデバイスで高い性能を達成できるか？
• RQ2 デバイス固有の画像強化ネットワークは、3次元セグメンテーションネットワークのクロスデバイス一般化にどの程度効果的か？
• RQ3 複数のOCTデバイスからの強化画像を用いることで、生の画像と比較してセグメンテーションの精度とロバスト性が向上するか？
• RQ4 本フレームワークは、特にラミナクリブロサのような緑内障関連構造において、異なるOCTスキャナ間でセグメンテーションの一貫性をどの程度維持できるか？
• RQ5 本ラベルフリー手法は、多様なOCT機器を有する臨床現場における深層学習モデルの展開に要する時間とコストを削減できるか？

主な発見

• 提案されたフレームワークは、3台のOCTデバイスすべてで、視神経乳頭組織の6層すべてについて平均Dice係数が0.92以上を達成し、高いセグメンテーション精度を示した。
• 1台のデバイスで学習したONH-Netは、他の2台のデバイスからの組織を顕著な差異（p > 0.05）なく正確にセグメンテーションでき、デバイス独立性が確認された。
• 画像強化ネットワークはクロスデバイス性能において不可欠であり、これを欠如させるとセグメンテーション精度が著しく低下した。
• フレームワークにより、新しいOCTデバイスでは1デバイスあたり100件のラベルなしボリュームのみを用いて自動セグメンテーションが可能となり、手動アノテーションの必要性が排除された。
• Diceスコアに顕著な差異がなく、デバイス間で一貫したセグメンテーション性能を維持したため、臨床的に信頼できる性能を示した。
• トレーニングデバイス間でラミナクリブロサの曲率や厚さにわずかなばらつきはあったが、全体的なセグメンテーション品質は臨床的に許容可能とされた。