[論文レビュー] Application of Deep Learning in Fundus Image Processing for Ophthalmic Diagnosis -- A Review

Sourya Sengupta, Amitojdeep Singh+3 more|arXiv (Cornell University)|Dec 9, 2018

Retinal Imaging and Analysis参考文献 126被引用数 33

ひとこと要約

このレビューでは、網膜視床画像の分析における深層学習の応用を、糖尿病性網膜症、緑内障、加齢性黄斑変性症などの網膜構造および疾患のセグメンテーションと分類に焦点を当てて評価している。深層学習モデル、特に畳み込みニューラルネットワーク（CNN）が、特徴抽出の能力と精度において従来の手法を上回っており、複数のデータセットで最先端の性能を示していることが明らかになった。

ABSTRACT

An overview of the applications of deep learning in ophthalmic diagnosis using retinal fundus images is presented. We also review various retinal image datasets that can be used for deep learning purposes. Applications of deep learning for segmentation of optic disk, blood vessels and retinal layer as well as detection of lesions are reviewed. Recent deep learning models for classification of diseases such as age-related macular degeneration, glaucoma,diabetic macular edema and diabetic retinopathy are also reported.

研究の動機と目的

• 網膜視床画像を用いた眼科診断における深層学習の応用を体系的かつ包括的にレビューすること。
• 網膜画像におけるセグメンテーションおよび分類タスクに用いられる最先端の深層学習アーキテクチャを特定および分析すること。
• 眼科診断における深層学習モデルと従来の機械学習手法のパフォーマンスを比較評価すること。
• 本分野におけるデータ不足、ドメインシフト、標準化されたパフォーマンス指標の欠如といった課題を強調すること。
• 生成モデルやドメイン適応といった今後の研究方向性を提起し、モデルの頑健性と一般化性能を向上させること。

提案手法

• 網膜視床画像を用いた眼科診断における深層学習に関する学術論文を体系的にレビューした。
• タスク別に深層学習モデルを分類：セグメンテーション（視神経乳頭、血管、網膜層）、病変検出、疾患分類。
• 14の公開済み視床画像データセットの分析（画像数、臨床的用途、カメラタイプ、入手可能性を含む）。
• 深層学習モデル（例：ResNet、FCN、自己符号化器、GAN）と従来の機械学習およびCADシステムの比較。
• AUC、正解率、F1スコア、MCCといったパフォーマンス指標を複数の研究で評価し、モデルの有効性を分析。
• ドメインシフトやデータ不足に対処するための高度な技術（例：トランスファー学習、 adversarial domain adaptation）の議論。

実験結果

リサーチクエスチョン

• RQ1 深層学習モデルは、視床画像からの眼科疾患分類において、従来の機械学習手法と比べてどのように異なるか？
• RQ2 視床画像における視神経乳頭、血管、網膜層のセグメンテーションに最も効果的な深層学習アーキテクチャは何か？
• RQ3 深層学習を視床画像分析に応用するにあたり、主な課題（特にデータの可用性とアノテーションの欠如）は何か？
• RQ4 生成モデルは、眼科分野の深層学習応用におけるデータ不足をどの程度軽減できるか？
• RQ5 ドメインシフトはモデルのパフォーマンスにどのように影響を与え、異なる画像取得源間で頑健性を向上させるための技術は何か？

主な発見

• 深層学習モデルは、糖尿病性網膜症、緑内障、加齢性黄斑変性症の診断において、従来の機械学習手法およびCADシステムを一貫して上回っている。
• 畳み込みニューラルネットワーク（CNN）が主流のアーキテクチャであり、ResNet、FCN、自己符号化器ベースのモデルがセグメンテーションおよび分類タスクで優れた性能を示している。
• 最先端のモデルは、病変検出でAUC 0.982（Haloiら）を達成し、疾患分類ではkNN-DREAMがMESSIDORデータセットで98.88％の正解率を記録した。
• データ不足と標準化されたパフォーマンス指標（例：AUC、F1スコア、MCC）の欠如が、モデルの比較や臨床応用を妨げている。
• カメラ設定の違いに起因するドメインシフトは、特にトレーニングデータとテストデータの分布が異なる場合にモデルの一般化性能を著しく低下させる。
• 生成モデル（例：GAN、変分自己符号化器）は、臨床的に有用なアノテーション付きの視床画像を合成することで、データ不足の緩和に有望である。