[논문 리뷰] Classification of dry age-related macular degeneration and diabetic macular edema from optical coherence tomography images using dictionary learning

Elahe Mousavi, Rahele Kafieh외 1명|arXiv (Cornell University)|2019. 03. 16.

Retinal Imaging and Analysis인용 수 4

한 줄 요약

이 논문은 망막층 분할에 의존하지 않고, 광학 간섭 단층촬영(OCT) 영상에서 건성 연령 관련 황반변성(AMD), 당뇨성 황반부종(DME), 정상 케이스를 구분하기 위한 사전 학습 기반 분류 프레임워크를 제안한다. 히스토그램 방향성 기울기(HOG) 특징을 추출하고 Fused Dictionary Learning(FDDL)를 적용함으로써, 볼륨당 4%의 B-스캔만을 사용하여 AMD의 정확도가 95.13%, DME와 정상 케이스는 각각 100%를 달성하며, 초기 병변 징후에 매우 민감한 성능을 보여준다.

ABSTRACT

Age-related Macular Degeneration (AMD) and Diabetic Macular Edema (DME) are the major causes of vision loss in developed countries. Alteration of retinal layer structure and appearance of exudate are the most significant signs of these diseases. With the aim of automatic classification of DME, AMD and normal subjects from Optical Coherence Tomography (OCT) images, we proposed a classification algorithm. The two important issues intended in this approach are, not utilizing retinal layer segmentation which by itself is a challenging task and attempting to identify diseases in their early stages, where the signs of diseases appear in a small fraction of B-Scans. We used a histogram of oriented gradients (HOG) feature descriptor to well characterize the distribution of local intensity gradients and edge directions. In order to capture the structure of extracted features, we employed different dictionary learning-based classifiers. Our dataset consists of 45 subjects: 15 patients with AMD, 15 patients with DME and 15 normal subjects. The proposed classifier leads to an accuracy of 95.13%, 100.00%, and 100.00% for DME, AMD, and normal OCT images, respectively, only by considering the 4% of all B-Scans of a volume which outperforms the state of the art methods.

연구 동기 및 목표

• 망막층 분할이 필요 없는 자동화된 방법을 통해 건성 AMD, DME, 정상 OCT 영상의 분류를 개발한다.
• 병변 징후가 B-스캔의 소수에만 존재하는 조기 병변을 탐지한다.
• 망막층 분할 없이도 구분 능력 있는 특징 학습을 활용하여 기존 최고 수준의 방법보다 분류 정확도를 향상시킨다.
• 최소한의 대표적 B-스캔을 사용한 조기 진단의 가능성을 입증한다.

제안 방법

• 국소적인 강도 기울기와 에지 구조를 캡처하기 위해 OCT B-스캔에서 히스토그램 방향성 기울기(HOG) 특징을 추출한다.
• 구분 능력 있는 특징을 학습하기 위해 세 가지 사전 학습 방법—융합 사전 학습(FDDL), 공대표 기반 사전 학습(COPAR), 저질서 스parse 사전 학습(LRSDL)—을 적용한다.
• 45명의 환자(각각 15명씩)로 구성된 데이터셋에 대해 3개의 볼륨을 제외한 교차검증 전략을 사용하여 분류기의 학습 및 테스트를 수행한다.
• 각 3D OCT 볼륨은 B-스캔 예측의 다수결정에 기반하여 분류되며, 최종 레이블은 B-스캔들 중 가장 빈도가 높은 클래스에 의해 결정된다.
• 조기 진단을 중시하여, 최소한 4%의 B-스캔만으로도 병변을 탐지할 수 있도록 프레임워크를 최적화한다.
• 정확도를 평가하고, 동일한 데이터셋과 교차검증 프로토콜을 사용하여 기존 방법과 비교한다.

실험 결과

연구 질문

• RQ1 망막층 분할이 필요 없는 사전 학습 기반 분류기가, AMD, DME, 정상 OCT 영상 간의 구분에서 높은 정확도를 달성할 수 있는가?
• RQ2 병변 징후가 B-스캔의 소수에만 존재하는 조기 병변에서 제안된 방법이 병변을 탐지할 수 있는가?
• RQ3 HOG 특징에 적용했을 때, FDDL, COPAR, LRSDL의 성능는 어떻게 비교되는가?
• RQ4 최소한의 B-스캔 표현을 사용하여 기존 최고 수준의 접근법보다 뛰어난 정확도를 달성할 수 있는가?
• RQ5 신뢰할 수 있는 분류를 위해 필요한 B-스캔의 최소 퍼센트는 얼마이며, 이는 조기 병변 탐지 능력을 나타내는가?

주요 결과

• 제안된 방법은 볼륨당 4%의 B-스캔만을 사용하여 AMD의 정확도가 95.13%, DME와 정상 케이스는 각각 100.00%를 달성하였다.
• HOG 특징과 함께 사용된 융합 사전 학습(FDDL)이 COPAR와 LRSDL를 모두 초월하여 전체 데이터셋에서 최고의 총 정확도 98.37%를 기록하였다.
• 이 방법은 모든 DME 및 AMD 케이스를 성공적으로 탐지하였으며, 정상 케이스 분류에서 Srinivasan 등과 Wang Yu 등과의 방법을 뛰어넘었다.
• FDDL 기반 분류기는 3개의 볼륨을 제외한 교차검증에 22분이 소요되어, COPAR(41분)와 LRSDL(32분)에 비해 훨씬 효율적인 학습을 보였다.
• 특징 표현의 강건성과 전체 볼륨 분석에 대한 최소한의 의존성 덕분에, 이전의 방법들에 비해 뛰어난 성능을 보였으며, 특히 정상 케이스와 조기 병변 탐지에서 두각을 나타냈다.
• 결과적으로, HOG 특징과 함께 사전 학습을 적용함으로써, 병변 징후가 B-스캔 볼륨 내에서 희박하더라도 망막 병변의 신뢰할 수 있는 조기 진단이 가능하다는 것이 확인되었다.