[논문 리뷰] From Machine to Machine: An OCT-trained Deep Learning Algorithm for Objective Quantification of Glaucomatous Damage in Fundus Photographs

Felipe A. Medeiros, Alessandro A. Jammal외 1명|arXiv (Cornell University)|2018. 10. 20.

Retinal Imaging and Analysis참고 문헌 20인용 수 25

한 줄 요약

이 연구는 스펙트럴 도메인 옵트리컬 코herence 토포그래피(SDOCT) 데이터를 기반으로 훈련된 딥러닝 알고리즘을 소개하여 망막도자 사진에서 객관적으로 당뇨성 망막병변의 손상을 정량화한다. 예측된 평균 RNFL 두께와 실제 값 간 상관관계가 매우 높았으며(r = 0.832), 평균 절대 오차는 7.39 µm로 나타나, 주관적 평가에 의존하지 않는 저비용의 정량적 녹내망 스크리닝 잠재력을 보여준다.

ABSTRACT

Previous approaches using deep learning algorithms to classify glaucomatous damage on fundus photographs have been limited by the requirement for human labeling of a reference training set. We propose a new approach using spectral-domain optical coherence tomography (SDOCT) data to train a deep learning algorithm to quantify glaucomatous structural damage on optic disc photographs. The dataset included 32,820 pairs of optic disc photos and SDOCT retinal nerve fiber layer (RNFL) scans from 2,312 eyes of 1,198 subjects. A deep learning convolutional neural network was trained to assess optic disc photographs and predict SDOCT average RNFL thickness. The performance of the algorithm was evaluated in an independent test sample. The mean prediction of average RNFL thickness from all 6,292 optic disc photos in the test set was 83.3$\pm$14.5 $μ$m, whereas the mean average RNFL thickness from all corresponding SDOCT scans was 82.5$\pm$16.8 $μ$m (P = 0.164). There was a very strong correlation between predicted and observed RNFL thickness values (r = 0.832; P<0.001), with mean absolute error of the predictions of 7.39 $μ$m. The areas under the receiver operating characteristic curves for discriminating glaucoma from healthy eyes with the deep learning predictions and actual SDOCT measurements were 0.944 (95$\%$ CI: 0.912- 0.966) and 0.940 (95$\%$ CI: 0.902 - 0.966), respectively (P = 0.724). In conclusion, we introduced a novel deep learning approach to assess optic disc photographs and provide quantitative information about the amount of neural damage. This approach could potentially be used to diagnose and stage glaucomatous damage from optic disc photographs.

연구 동기 및 목표

• SDOCT를 기준 기준으로 사용하여 옵티컬 디스크 사진에서 녹내망 구조적 손상을 정량화하는 딥러닝 알고리즘을 개발하는 것.
• 이전의 딥러닝 모델이 훈련을 위해 주관적 인간 평가에 의존하는 한계를 극복하는 것.
• 이진 분류가 아닌 객관적이고 연속적인 신경 손상 정량화를 가능하게 하는 것.
• 망막도자 사진이 녹내망 스크리닝 및 모니터링에서 SDOCT의 저비용 대체 수 Mittel로 사용 가능한지의 가능성을 평가하는 것.
• 독립된 테스트 세트에서 실제 SDOCT 측정값과 비교하여 알고리즘 성능을 검증하는 것.

제안 방법

• 컨volutional 신경망(CNN)은 SDOCT 측정값을 기준 진실로 삼아 옵티컬 디스크 사진에서 평균 망막 신경섬유층(RNFL) 두께를 예측하도록 훈련되었다.
• 훈련 데이터셋은 1,198명의 2,312명의 눈에서 확보한 32,820개의 옵티컬 디스크 사진 및 해당하는 SDOCT 스캔 쌍으로 구성되었다.
• 알고리즘은 6,292장의 독립된 테스트 세트 옵티컬 디스크 사진에서 평가되었으며, 예측값은 실제 SDOCT RNFL 두께 값과 비교되었다.
• 성능 평가는 상관계수(Pearson r), 평균 절대 오차(MAE), 녹내망 검출을 위한 ROC 곡선 아래 면적(AUC)을 사용하여 평가되었다.
• 알고리즘의 예측에 가장 영향을 미친 옵티컬 디스크 영역을 시각화하기 위해 활성화 히트맵을 생성하였다.
• 모델은 국소적 또는 영역별 측정값이 아닌 평균 RNFL 두께를 재현하도록 훈련되어 전반적인 구조적 손상에 중점을 두었다.

실험 결과

연구 질문

• RQ1 SDOCT 데이터로 훈련된 딥러닝 모델이 망막도자 사진에서 RNFL 두께를 정확하게 예측할 수 있는가?
• RQ2 인간 평가 기반 모델과 비교할 때, SDOCT로 훈련된 딥러닝 모델의 녹내망 손상 분류 성능는 어떠한가?
• RQ3 망막도자 사진이 SDOCT의 정량적 정밀도를 어느 정도 재현할 수 있는가?
• RQ4 이 알고리즘의 예측값이 실제 SDOCT 측정값과 시각적 분야 손실과 강하게 상관관계를 가지는가?
• RQ5 이 방법을 통해 망막도자 사진만으로도 녹내망 진행 상황의 종단적 모니터링이 가능한가?

주요 결과

• 망막도자 사진에서 예측된 평균 RNFL 두께는 83.3 ± 14.5 µm였고, 실제 SDOCT 평균(82.5 ± 16.8 µm)과 유사했으며(p = 0.164).
• 예측된 값과 실제 RNFL 두께 간 강력한 상관관계(r = 0.832; p < 0.001)가 확인되었다.
• 예측의 평균 절대 오차(MAE)는 7.39 µm로, 정량적 추정의 높은 정밀도를 나타내었다.
• 딥러닝 예측를 사용한 녹내망 검출의 ROC 곡선 아래 면적(AUC)은 0.944(95% 신뢰구간: 0.912–0.966)였으며, SDOCT의 AUC(0.940)와 유사했다.
• 활성화 히트맵은 알고리즘이 옵티컬 디스크와 그 인접한 망막 신경섬유층에 집중하고 있음을 확인했으며, 임상적으로 관련 있는解剖학적 영역과 일치했다.
• 강력한 성능에도 불구하고 SDOCT 측정값의 약 30% 변동성이 설명되지 않아, 더 나은 이미지 품질이나 더 세분화된 훈련 목표로 향후 향상 가능성이 있음을 시사했다.