[논문 리뷰] Open-Narrow-Synechiae Anterior Chamber Angle Classification in AS-OCT Sequences

Huaying Hao, Huazhu Fu외 6명|arXiv (Cornell University)|2020. 06. 09.

Glaucoma and retinal disorders참고 문헌 13인용 수 5

한 줄 요약

이 논문은 AS-OCT 영상 시퀀스에서 개방-협착-유착 상태의 전안굴절각(ACA) 분류를 위한 시퀀스 다중스케일 집합 네트워크(SMA-Net)를 제안한다. 이는 다중스케일 특징 추출을 위한 MSDA 블록과 ConvLSTM를 활용한 시간적 모델링을 결합한 것으로, 두 데이터셋에서 최신 기술 수준의 성능을 달성하였으며, 순차적 AS-OCT 영상 분석을 통한 삼중 ACA 등급 분류를 위한 첫 번째 자동화된 방법이다.

ABSTRACT

Anterior chamber angle (ACA) classification is a key step in the diagnosis of angle-closure glaucoma in Anterior Segment Optical Coherence Tomography (AS-OCT). Existing automated analysis methods focus on a binary classification system (i.e., open angle or angle-closure) in a 2D AS-OCT slice. However, clinical diagnosis requires a more discriminating ACA three-class system (i.e., open, narrow, or synechiae angles) for the benefit of clinicians who seek better to understand the progression of the spectrum of angle-closure glaucoma types. To address this, we propose a novel sequence multi-scale aggregation deep network (SMA-Net) for open-narrow-synechiae ACA classification based on an AS-OCT sequence. In our method, a Multi-Scale Discriminative Aggregation (MSDA) block is utilized to learn the multi-scale representations at slice level, while a ConvLSTM is introduced to study the temporal dynamics of these representations at sequence level. Finally, a multi-level loss function is used to combine the slice-based and sequence-based losses. The proposed method is evaluated across two AS-OCT datasets. The experimental results show that the proposed method outperforms existing state-of-the-art methods in applicability, effectiveness, and accuracy. We believe this work to be the first attempt to classify ACAs into open, narrow, or synechia types grading using AS-OCT sequences.

연구 동기 및 목표

• 이차적 개방/협착성 각막질환 진단을 넘어서, 임상적으로 중요한 삼중 ACA 분류 체계(개방, 협착, 유착)를 구현하기 위한 임상적 필요를 충족시킨다.
• 기존의 2차원 AS-OCT 단면 기반 방법이 순차적 영상 프레임 간의 동적 진행 상황을 포착하지 못하는 한계를 극복한다.
• AS-OCT 시퀀스 내에서 공간적 다중스케일 표현과 시간적 동적 변화를 동시에 모델링할 수 있는 딥러닝 프레임워크를 개발한다.
• 다중손실 함수를 통해 단면 수준 및 시퀀스 수준의 특징를 통합하여 진단 정확도와 임상 유용성을 향상시킨다.
• 초기 원발성 협착성 녹내라에서의 조기 발견과 간섭을 가능하게 하기 위해, 가역적(협착) 상태와 비가역적(유착) 상태를 구분할 수 있도록 한다.

제안 방법

• 삼중 ACA 분류를 위한 입력으로 AS-OCT 시퀀스를 처리하는 새로운 시퀀스 다중스케일 집합 네트워크(SMA-Net)를 제안한다.
• 개별 AS-OCT 단면에서 계층적이고 다중스케일 특징을 추출하기 위해 다중스케일 분별 집합(MSDA) 블록을 활용한다.
• 시간적 의존성과 순차적 AS-OCT 프레임 간의 동적 변화를 모델링하기 위해 ConvLSTM 레이어를 통합하여 운동 및 외형 변화의 진화를 포착한다.
• 공간적 및 시간적 특징 학습을 동시에 최적화하기 위해 단면 기반 및 시퀀스 기반 손실을 조합한 다중레벨 손실 함수를 사용한다.
• 특징 추출을 위한 배경 네트워크로 Xception을 활용하며, 표현 학습 향상을 위해 MSDA 블록과 ConvLSTM를 보강한다.
• 시퀀스 내 시간적 동적 변화 모델링을 더욱 정교하게 하기 위해 자율학습 손실 성분($\mathcal{L}_{\mathrm{SV}}$)을 적용한다.

실험 결과

연구 질문

• RQ1 딥러닝 모델이 AS-OCT 시퀀스를 활용하여 임상적으로 유의미한 세 가지 카테고리(개방, 협착, 유착)로 전안굴절각을 효과적으로 분류할 수 있는가?
• RQ2 순차적 AS-OCT 프레임 간의 시간적 동적 변화를 모델링하는 것이 단일 단면 기반 방법에 비해 분류 성능을 얼마나 향상시키는가?
• RQ3 다중스케일 공간적 표현이 조기 녹내라 단계에서 미세한 ACA 변화를 구분하는 데 얼마나 기여하는가?
• RQ4 단면 수준 및 시퀀스 수준의 감독을 통합한 다중손실 전략이 일반화 능력과 정확도 향상에 기여하는가?
• RQ5 제안된 방법이 삼중 및 이중 ACA 분류 작업 모두에서 기존 최신 기술 수준의 2D 및 3D 딥러닝 모델을 능가할 수 있는가?

주요 결과

• 제안된 SMA-Net은 사적 데이터셋에서 카프라 점수 0.7931, AUC 0.8826을 기록하여 Xception 및 MA-Net과 같은 베이스라인 모델을 능가했다.
• ConvLSTM 모듈의 추가로 MA-Net 베이스라인 대비 카프라 점수 4.53% 향상 및 AUC 0.49% 향상되었으며, 시간적 모델링의 가치를 입증했다.
• 다중손실 함수($\mathcal{L}_{\mathrm{SV}}$)의 적용으로 MA-Net+ConvLSTM 구성 대비 카프라 점수 4.53% 향상 및 AUC 0.49% 향상되어 성능이 더욱 향상되었다.
• 공개된 AGE 데이터셋에서 SMA-Net은 이중 개방/협착 분류에서 AUC = 1.000000, 민감도(Sen) = 1.000000, 특이도(Spe) = 1.000000의 완벽한 성능을 기록했다.
• AGE 데이터셋에서 SMA-Net은 Xception, Inception-V3 및 MSCNN과 같은 최신 기술 수준의 모델들을 AUC 및 민감도 모두에서 뛰어나게 성능을 냈다.
• 제거 실험을 통해 MSDA 블록, ConvLSTM 및 다중손실 함수의 조합이 최적의 성능을 내기 위해 필수적임을 확인하였으며, 각 구성 요소가 정확도 향상에 점진적으로 기여하였다.