[논문 리뷰] Inference of visual field test performance from OCT volumes using deep learning

Stefan Maetschke, Bhavna Antony외 4명|arXiv (Cornell University)|2019. 08. 04.

Retinal Imaging and Analysis인용 수 6

한 줄 요약

이 연구는 망막 신경두부(ONH) 또는 매크라의 원시 광학 간섭단층촬영(OCT) 부피에서 세분화 또는 정렬을 거치지 않고도 시각장 시험(VFT) 지표인 시각장 지수(VFI)와 평균 탈락(MD)을 직접 추론하기 위해 3D 합성곱 신경망(CNN)을 제안한다. CNN은 ONH 스캔에서 VFI에 대해 0.88 ± 0.035, MD에 대해 0.88 ± 0.023의 피어슨 상관계수를 기록했으며, 이는 Random Forest와 같은 전통적 기계학습 모델(PC = 0.74 ± 0.090)보다 유의미하게 뛰어난 성능을 보였다.

ABSTRACT

Visual field tests (VFT) are pivotal for glaucoma diagnosis and conducted regularly to monitor disease progression. Here we address the question to what degree aggregate VFT measurements such as Visual Field Index (VFI) and Mean Deviation (MD) can be inferred from Optical Coherence Tomography (OCT) scans of the Optic Nerve Head (ONH) or the macula. Accurate inference of VFT measurements from OCT could reduce examination time and cost. We propose a novel 3D Convolutional Neural Network (CNN) for this task and compare its accuracy with classical machine learning (ML) algorithms trained on common, segmentation-based OCT, features employed for glaucoma diagnostics. Peak accuracies were achieved on ONH scans when inferring VFI with a Pearson Correlation (PC) of 0.88$\\pm$0.035 for the CNN and a significantly lower (p $<$ 0.01) PC of 0.74$\\pm$0.090 for the best performing, classical ML algorithm - a Random Forest regressor. Estimation of MD was equally accurate with a PC of 0.88$\\pm$0.023 on ONH scans for the CNN.

연구 동기 및 목표

• 원시 OCT 부피에서 세분화 또는 정렬을 거치지 않고도 시각장 지수(VFI)와 평균 탈락(MD)과 같은 집계 시각장 시험(VFT) 지표를 정확하게 추론할 수 있는지 조사한다.
• 표준 세분화 기반 OCT 특징에 기반한 기계학습 모델과 비교하여 3D CNN의 성능을 평가한다.
• 녹내증 진단 및 진행 추적에서 시각장 시험 의존도를 줄이거나 대체할 수 있는지의 가능성을 평가한다.
• 예측에 기여하는 망막 영역을 특정하기 위해 클래스 활성화 맵(CAMs)을 사용해 딥 러닝 모델의 해석 가능성 여부를 평가한다.
• 모델의 성능이 시각장 시험 측정의 내재된 변동성 또는 OCT 데이터의 구조적 한계에 의해 제한되는지 여부를 확인한다.

제안 방법

• ONH 또는 매크라의 원시, 다운샘플된 OCT 부피(64×64×128)에 대해 엔드 투 엔드로 3D 합성곱 신경망(CNN)을 훈련하며, 사전 세분화 없이 수행된다.
• 모델은 평균 제곱오차 손실을 사용하여 VFI와 MD를 예측하도록 훈련되며, 데이터는 환자 수준의 무결성을 유지하면서 80% 훈련, 10% 검증, 10% 테스트로 분할된다.
• 성능 평가에는 루트 평균 제곱 오차(RMSE)와 피어슨 상관계수(PC)를 사용하며, PC는 예측값과 진짜값 간의 표준 상관계수로 계산된다.
• 해석 가능성 향상을 위해 예측에 기여하는 OCT 부피 영역을 시각화하기 위해 클래스 활성화 맵(CAMs)을 생성한다.
• 무작위 가림, 이동, 소규모 회전(±10°), 믹스업 등의 데이터 증강 기법을 탐색했지만, 정확도 향상이 없어 최종 결과에는 적용하지 않았다.
• 모델은 연령 또는 전안압(IOP)을 입력으로 사용하지 않으며, 예측에 오직 원시 OCT 강도 부피에 의존한다.

실험 결과

연구 질문

• RQ1 세분화 또는 정렬 없이 원시 OCT 부피에서 VFI 및 MD와 같은 집계 VFT 지표를 정확하게 추론할 수 있는가?
• RQ2 표준 세분화 기반 OCT 특징에 기반한 기계학습 모델(예: Random Forest, SVM)과 비교해 3D CNN의 성능은 어떠한가?
• RQ3 클래스 활성화 맵(CAMs)은 시각장 손실과 관련된 생물학적으로 타당한 망막 영역을 얼마나 잘 드러내는가?
• RQ4 딥 러닝 모델의 성능은 시각장 시험의 내재된 변동성 또는 OCT 영상의 구조적 잡음에 의해 제한되는가?
• RQ5 명시적 세분화 및 정렬 없이도 이전 방법에 비해 중증도가 높은 녹내증 환자에서 더 뛰어난 내성성을 보이는가?

주요 결과

• ONH 스캔을 사용할 경우 3D CNN은 VFI에 대해 0.88 ± 0.035, MD에 대해 0.88 ± 0.023의 피어슨 상관계수를 기록했으며, 이는 Random Forest와 같은 최고의 전통적 모델(PC = 0.74 ± 0.090)보다 유의미하게 뛰어난 성능을 보였다(p < 0.01).
• 전체 데이터셋에서 CNN의 성능은 VFI에 대해 PC 0.93에 도달했으며, 이는 강력한 일반화 능력을 시사하지만, 테스트 폴드의 PC는 0.88로 여전히 높고 안정된 수준을 유지했다.
• 클래스 활성화 맵(CAMs)은 건강한 눈에서는 GCIPL(수상세포 및 내측 텍스처층)에 집중하는 것으로 나타났으며, 중증 녹내증(예: VFI = 50, 30)에서는 점차 특정 박층 영역이 강조됨을 보였다.
• 모델의 성능는 VFT 신뢰도의 상한선에 매우 가까운 것으로 보이며, 재측정 변동성이 r = 0.88로 보고된 바 있어, CNN이 추론 정확도의 실질적 한계에 가까이 도달했을 가능성이 있다.
• 세분화 또는 정렬 없이 원시 OCT 부피를 사용함으로써, 특히 중증 녹내증에서 흔한 다중 영역 OCT 정렬 및 층 세분화 오류를 피할 수 있었다.
• 데이터 증강(가림, 회전, 믹스업 등)을 시도했지만 정확도 향상이 없었으며, 이는 현재 데이터 분포에서 모델이 이미 최적에 가까이 도달했을 가능성을 시사한다.