[論文レビュー] Towards Ophthalmologist Level Accurate Deep Learning System for OCT Screening and Diagnosis

Mrinal Haloi|arXiv (Cornell University)|Dec 12, 2018

Retinal Imaging and Analysis参考文献 11被引用数 7

ひとこと要約

本論文では、CNV、DME、ドゥルーゼン、および正常な網膜状態を診断する上で、眼科医レベルの正確性を達成する深層学習ベースの完全自動OCTスクリーニングシステムを提示している。250層のアテンション付き完全畳み込みネットワークを用い、高度なトランスファー学習とオンラインランダム増強を組み合わせたモデルは、大規模な公開OCTデータセットにおいて100％の感度と特異度を達成し、分類タスクにおいて人間の専門医を上回った性能を示した。

ABSTRACT

In this work, we propose an advanced AI based grading system for OCT images. The proposed system is a very deep fully convolutional attentive classification network trained with end to end advanced transfer learning with online random augmentation. It uses quasi random augmentation that outputs confidence values for diseases prevalence during inference. Its a fully automated retinal OCT analysis AI system capable of pathological lesions understanding without any offline preprocessing/postprocessing step or manual feature extraction. We present a state of the art performance on the publicly available Mendeley OCT dataset.

研究の動機と目的

• OCTスキャンからの網膜疾患の診断が、人間の眼科医と同等またはそれ以上の性能を示すAIシステムの開発を目的とする。
• 手動による前処理や特徴量エンジニアリングの必要性を排除し、エンドツーエンドで学習可能な完全自動モデルを構築することを目的とする。
• とくに遠隔地や医療が不足している地域において、正確な網膜疾患スクリーニングのアクセスを向上させることを目的とする。
• OCT画像における時空間的特徴量学習を通じて、診断のスピードと一貫性を向上させることを目的とする。
• 最小限のラベル付きデータで強く一般化可能な性能を示し、Mendeley OCTデータセットにおいて最先端の性能を達成することを目的とする。

提案手法

• 約5000万のトレーニング可能なパラメータと250層を持つ非常に深い完全畳み込みアテンション分類ネットワークを構築した。
• エンドツーエンド学習を採用し、ChestXray-14データセット上で事前学習された変分オートエンコーダーからのトランスファー学習を活用した。
• オンラインランダムデータ増強には、ランダムな反転、色のずれ（色相、彩度、コントラスト）、および入力パッチのランダムマスキングが含まれる。
• 入力画像は256×256×3にリサイズされ、224×224×3にクロップされ、各画像ごとの平均値と標準偏差を用いた標準化が行われた。
• バッチ正規化、ネステロフモーメンタム、勾配正規化を用いた安定な学習を実現するため、TEFLA（TensorFlowベースのフレームワーク）を活用した。
• 過学習を防ぎ、一般化性能を向上させるために、ラベルスムージング、ドロップアウト、バッチサンプルのバランス調整を適用した。

実験結果

リサーチクエスチョン

• RQ1 深層学習モデルは、手動による特徴抽出なしに、OCT画像分類において眼科医レベルの診断正確性を達成できるか？
• RQ2 関連する医療画像データセット（ChestXray-14）からの高度なトランスファー学習は、より小さなOCTデータセットでの性能向上にどのように寄与するか？
• RQ3 ランダムマスキングを含むオンラインランダムデータ増強は、モデルの一般化性能とロバストネスをどの程度向上させるか？
• RQ4 完全自動でエンドツーエンドの深層学習システムは、OCTベースの診断において人間の専門医を上回る感度と特異度を達成できるか？
• RQ5 モデルは、複数の疾患クラスにおいて、正常と病理的OCTスキャンをどの程度明確に区別できるか？

主な発見

• テストセットにおいて、正常対異常の二値分類において、モデルは100％の感度と特異度を達成した。
• 多クラス分類において、モデルはすべてのクラス（正常、CNV、DME、ドゥルーゼン）で100％の適合率、再現率、F1スコアを達成した。
• 受信者操作特性（ROC）曲線は、正常対異常分類においてAUCが1.0であることを示し、完璧な識別性能を示した。
• T-SNE可視化により、モデルが学習した特徴量が埋め込み空間において明確に異なる疾患クラスに分離されていることが確認された。
• ヒートマップ分析により、モデルがCNV、DME、ドゥルーゼンに関連する臨床的に重要な網膜領域に注目していることが明らかになった。
• 同様の分類タスクにおいて、平均的な人間の眼科医と比較して、本システムは一貫性とスピードの面で優れた性能を示した。