[論文レビュー] AV-Net: Deep learning for fully automated artery-vein classification in optical coherence tomography angiography

Minhaj Nur Alam, David Le+3 more|arXiv (Cornell University)|Jun 5, 2020

Retinal Imaging and Analysis参考文献 27被引用数 5

ひとこと要約

AV-Net は、OCTA 血管血流および血管幾何学的特徴と、OCT強度プロファイルを統合することで、光学干渉断層撮影血流画像（OCTA）における完全自動の動静脈分類を可能にする完全畳み込み型のU字型深層学習モデルである。限られた OCTA データセットサイズに対処するためのトランスファー学習を活用し、平均正答率 86.75% を達成しており、臨床応用に適した差別的血管解析を可能にする。

ABSTRACT

This study is to demonstrate deep learning for automated artery-vein (AV) classification in optical coherence tomography angiography (OCTA). The AV-Net, a fully convolutional network (FCN) based on modified U-shaped CNN architecture, incorporates enface OCT and OCTA to differentiate arteries and veins. For the multi-modal training process, the enface OCT works as a near infrared fundus image to provide vessel intensity profiles, and the OCTA contains blood flow strength and vessel geometry features. A transfer learning process is also integrated to compensate for the limitation of available dataset size of OCTA, which is a relatively new imaging modality. By providing an average accuracy of 86.75%, the AV-Net promises a fully automated platform to foster clinical deployment of differential AV analysis in OCTA.

研究の動機と目的

• OCTA における動静脈分類の完全自動化を実現する深層学習フレームワークの開発、手動セグメンテーションへの依存を低減すること。
• 比較的新しい OCTA 影像モodal におけるデータ不足の課題に対処するため、トランスファー学習を統合すること。
• OCT および OCTA モダリティを統合することで、血管特徴の特徴表現を向上させ、分類性能を向上させること。
• 網膜画像における差別的血管解析のための臨床的導入に適したプラットフォームの構築。

提案手法

• AV-Net は、マルチモーダル OCTA および enface OCT 入力を処理するように変更された U 字型の完全畳み込みネットワーク（FCN）アーキテクチャを採用している。
• enface OCT は、近赤外眼底像に類似した血管強度プロファイルを提供し、血管の輪郭抽出を支援する。
• OCTA データは、動脈と静脈を区別する上で重要な血流強度および幾何学的特徴を提供する。
• 比較的新しい OCTA 影像モダリティにおけるデータ不足を緩和するため、トランスファー学習戦略が適用されている。
• モデルはマルチモーダル入力に対してエンドツーエンドで訓練され、血管タイプ分類の最適化を同時に実現する。
• 空間的および構造的詳細を保持するため、エンコーダ-デコーダの複数レベルで特徴統合が行われる。

実験結果

リサーチクエスチョン

• RQ1 手動による介入なしに、深層学習モデルが OCTA における動脈および静脈を正確に分類できるか？
• RQ2 enface OCT と OCTA データを統合することで、単一モダリティ手法と比較して分類性能がどのように向上するか？
• RQ3 トランスファー学習は、限られたアノテート済み OCTA データセットに対して、どの程度の効果を発揮するか？
• RQ4 完全畳み込みネットワークは、多様な網膜血管パターンにわたって自動 AV 分類で高い正答率を達成できるか？
• RQ5 提案された AV-Net は、網膜診断における臨床現場への導入に耐えうるほど、頑健で汎用性があると評価できるか？

主な発見

• AV-Net は、テストデータセット全体で平均分類正答率 86.75% を達成しており、完全自動の動静脈識別において優れた性能を示している。
• enface OCT と OCTA モダリティの統合により、OCTA 単体を使用した場合と比較して、特徴表現が顕著に向上している。
• トランスファー学習は、OCTA モダリティにおける限られた学習データに起因する性能低下を効果的に緩和している。
• U 字型の FCN アーキテクチャにより、血管構造の正確な局所化とセグメンテーションが可能となり、分類精度が向上している。
• 多様な網膜領域にわたり一貫した性能を示しており、解剖学的変異性に対しても頑健であることが示された。
• フレームワークは完全に自動化されており、OCTA における差別的血管解析のスケーラブルかつ再現性のある臨床現場への導入を可能としている。