[論文レビュー] DRUNET: A Dilated-Residual U-Net Deep Learning Network to Digitally Stain Optic Nerve Head Tissues in Optical Coherence Tomography Images

Sripad Krishna Devalla, Prajwal K. Renukanand+9 more|arXiv (Cornell University)|Mar 1, 2018

Glaucoma and retinal disorders参考文献 37被引用数 5

ひとこと要約

DRUNETは、局所的なテクスチャおよび文脈的な空間的情報を捉えることで、光学干渉断層画像（OCT）画像内の6つの視神経乳頭（ONH）組織層をデジタル染色する拡張残差U-Net型の深層学習モデルである。熟練者の手動セグメンテーションとの比較で平均Dice係数0.91±0.05を達成し、自動グレアマ病パrameter抽出のための頑健な同時組織分離を示した。

ABSTRACT

Given that the neural and connective tissues of the optic nerve head (ONH) exhibit complex morphological changes with the development and progression of glaucoma, their simultaneous isolation from optical coherence tomography (OCT) images may be of great interest for the clinical diagnosis and management of this pathology. A deep learning algorithm was designed and trained to digitally stain (i.e. highlight) 6 ONH tissue layers by capturing both the local (tissue texture) and contextual information (spatial arrangement of tissues). The overall dice coefficient (mean of all tissues) was $0.91 \pm 0.05$ when assessed against manual segmentations performed by an expert observer. We offer here a robust segmentation framework that could be extended for the automated parametric study of the ONH tissues.

研究の動機と目的

• 既存の組織特異的セグメンテーションツールの限界を克服し、OCT画像内の複数のONH組織層を同時に分離する深層学習フレームワークの開発。
• 新しいネットワークアーキテクチャを用いて局所的テクスチャとグローバルな空間的文脈を統合することで、セグメンテーション精度の向上。
• グレアマ病の進行に伴う神経および結合組織の変化を自動的かつパrametricに分析可能にする。
• 臨床的OCT解析における手動セグメンテーションや誤差を伴いがちなデバイス固有のアルゴリズムへの依存を低減。
• グレアマ病におけるONH組織形態の今後のデバイス非依存型、マルチセンターでの妥当性評価の基盤を提供。

提案手法

• DRUNETは、3次元OCT Bスキャンにおけるマルチスケールの文脈的特徴および細粒度のテクスチャ詳細を捉えるために、拡張残差U-Netアーキテクチャを採用。
• 拡張畳み込みはダウンサンプリングを行わず感受野を拡大し、微細な組織境界の特徴表現を向上。
• スキップ接続により空間分解能が保持され、勾配の流れが促進され、学習安定性および境界局在化の向上が実現。
• 不均衡な組織クラスに対応するため、ピクセル単位の交差エントロピー損失に加え、Dice係数最適化を用いてエンドツーエンドで学習。
• 入力OCT Bスキャンは、光の減衰およびシャドーアーチファクトを軽減する補正技術を用いて事前処理。
• モデルは100人の被験者のうち40人のOCT画像で学習され、残りの60人でテストされ、個々の実験においてトレーニングとテストデータセットの漏洩は一切ない。

実験結果

リサーチクエスチョン

• RQ1 1つの深層学習モデルが、OCT画像内の6つの明確に区別されるONH組織層を正確かつ同時にセグメンテーションできるか？
• RQ2 DRUNETの性能は、従来のパッチベースの深層学習手法と比較して、ONH組織の分離においてどのように異なるか？
• RQ3 拡張畳み込みと残差接続を組み込むことで、OCT画像における複雑で重複する組織境界のセグメンテーションがどの程度向上するか？
• RQ4 モデルは、さまざまなグレアマ病の表現型（高眼圧性緑内障、閉角緑内障）および健常対照群に一般化可能か？
• RQ5 画像補正技術が、減衰アーチファクトが存在する状況でのデジタル染色の頑健性にどのような影響を与えるか？

主な発見

• 熟練者の手動セグメンテーションとの比較で、DRUNETは全6つのONH組織層において平均Dice係数0.91±0.05を達成した。
• 特にラミナクリブローサおよびスクレラの境界精度と組織分離において、従来のパッチベースの深層学習手法を上回った。
• アルゴリズムは、人工的なLC-スクレラ挿入を効果的に低減し、複雑な組織界面の輪郭を明確にした。
• 周縁部スクレラおよびLC厚さのバリデーションにおける課題にもかかわらず、モデルの出力は、既存のin vivo OCT研究で知られている解剖学的関係と整合的であった。
• 病理を伴う画像においてもモデルの出力は頑健であったが、マルチデバイスでの学習が行われていないため、異なるOCTデバイス間での性能差が生じる可能性がある。
• スペックルノイズおよび強度の不均一性のため、GCCおよび光受容体層のセグメンテーションに限界が見られ、高度な事前処理やマルチステージセグメンテーションの導入が求められることが示唆された。