[논문 리뷰] Multi-Context Deep Network for Angle-Closure Glaucoma Screening in Anterior Segment OCT

Huazhu Fu, Yanwu Xu외 6명|arXiv (Cornell University)|2018. 09. 10.

Retinal Imaging and Analysis참고 문헌 14인용 수 12

한 줄 요약

이 논문은 전방 세그먼트 옵티컬 코herence 단층촬영(AS-OCT) 영상에서 각막폐쇄성 녹내망 선별을 위한 다중맥락 딥 네트워크(MCDN)를 제안한다. 임상 전문 지식을 활용하여 병렬 컨볼루션 스트림을 통해 여러 해부학적 관련 영역에서 분류 가능한 특징을 추출한다. 이 방법은 대규모 AS-OCT 데이터셋에서 0.9456 AUC를 달성하여, 이전의 임상 파라미터 기반, 시각적 특징 기반, 딥 러닝 방법들을 능가한다. 지역별 표현과 추정된 임상 파라미터를 통합함으로써 성능을 향상시켰다.

ABSTRACT

A major cause of irreversible visual impairment is angle-closure glaucoma, which can be screened through imagery from Anterior Segment Optical Coherence Tomography (AS-OCT). Previous computational diagnostic techniques address this screening problem by extracting specific clinical measurements or handcrafted visual features from the images for classification. In this paper, we instead propose to learn from training data a discriminative representation that may capture subtle visual cues not modeled by predefined features. Based on clinical priors, we formulate this learning with a presented Multi-Context Deep Network (MCDN) architecture, in which parallel Convolutional Neural Networks are applied to particular image regions and at corresponding scales known to be informative for clinically diagnosing angle-closure glaucoma. The output feature maps of the parallel streams are merged into a classification layer to produce the deep screening result. Moreover, we incorporate estimated clinical parameters to further enhance performance. On a clinical AS-OCT dataset, our system is validated through comparisons to previous screening methods.

연구 동기 및 목표

• 수작업 특징을 초월하는 미세한 병리적 징후를 포착할 수 있는 딥 러닝 기반의 자동 각막폐쇄성 녹내망 선별 방법을 개발하는 것.
• 특히 해부학적으로 유의미한 영역과 척도를 포함한 임상 전문 지식을 딥 네트워크 아키텍처에 통합하여 진단 표현 학습을 향상시키는 것.
• 강도 기반 데이터 증강을 통해 영상 장치 간 변동성에 대한 모델의 강인성을 향상시키는 것.
• 딥 러닝 특징과 추정된 임상 파라미터를 융합함으로써 선별 성능을 향상시킬 수 있는지 확인하는 것.
• 8,270장의 영상으로 구성된 대규모이고 환자 수가 균형 잡힌 AS-OCT 데이터셋에서 방법을 검증하는 것.

제안 방법

• MCDN 아키텍처는 두 개의 병렬 컨볼루션 신경망 스트림을 사용한다: 하나는 전역적인 AS-OCT 영상 패치를 처리하고, 다른 하나는 고해상도로 국소화된 임상적으로 관련 있는 영역(예: 전방 각막 각도)에 집중한다.
• 각 스트림은 해당 입력 영역에서 분류 가능한 특징을 학습하며, 전역 스트림은 120×120 패치를, 국소 스트림은 ACA 중심의 더 작은 고해상도 영역을 처리한다.
• 두 스트림의 특징 맵은 연결되어 분류 레이어에 입력되어 최종 선별 확률을 산출한다.
• 모델는 사전 학습된 VGG-16 네트워크를 사용하여 미세조정하고, 교차 엔트로피 손실을 통해 엔드 투 엔드로 훈련된다.
• 강도 기반 데이터 증강이 적용되어 다양한 AS-OCT 영상 장치 간의 변동성을 시뮬레이션하고 일반화 능력을 향상시킨다.
• 임상 파라미터(예: ACA 각도 측정치)는 세그먼테이션을 통해 추정되고, 딥 특징과 평균 예측 확률을 통해 융합된다.

실험 결과

연구 질문

• RQ1 AS-OCT 영상에서 여러 해부학적 맥락에 초점을 맞춘 딥 러닝 모델이 수작업 특징 기반 또는 전역 영상 분석 기반의 전통적 방법보다 우수한 성능을 보일 수 있는가?
• RQ2 기존에 알려진 정보성 영역과 척도를 포함한 임상 전문 지식을 통합함으로써 딥 러닝 특징의 분류 능력이 각막폐쇄성 녹내망 선별에 향상되는가?
• RQ3 강도 기반 데이터 증강이 AS-OCT 영상 장치 간의 상이성으로 인한 성능 저하를 어느 정도 완화하는가?
• RQ4 딥 러닝 예측과 추정된 임상 파라미터를 융합하면 단독으로 사용할 경우보다 선별 정확도가 향상되는가?
• RQ5 대규모 임상 데이터셋에서 제안된 MCDN 아키텍처는 AUC, 민감도, 특이도 측면에서 최신 기술 대비 어떻게 비교되는가?

주요 결과

• 제안된 MCDN은 0.9456 AUC를 달성하여 다음으로 우수한 방법(다중기둥 딥 모델)의 0.9312 AUC를 크게 뛰어넘었다.
• 균형 잡힌 정확도는 0.8926이며, 민감도 88.89%, 특이도 89.63%를 기록하여 높은 진단 신뢰성을 보였다.
• 딥 특징과 임상 파라미터를 융합함으로써 AUC가 0.9305(전역 + 국소)에서 0.9456으로 향상되어 임상 지식의 상호보완적 가치를 확인했다.
• 국소 영역 스트림만으로도 0.9208 AUC를 기록하여, 시각적 특징 기반 방법(0.9248 AUC)을 능가했으며, 표적 영역에서 추출된 딥 러닝 특징이 HOG 특징보다 더 효과적임을 시사했다.
• 전체 영상 스트림만으로는 성능이 열악했으며, AUC는 0.8941에 머물러 표준 다운샘플링을 통한 전체 영상 처리가 중요한 분류 정보를 손실한다는 점을 시사했다.
• 단일 GPU에서 이미지당 500ms 내로 처리가 가능하여 임상 현장 적용에 적합하다.