[论文解读] Open-Narrow-Synechiae Anterior Chamber Angle Classification in AS-OCT Sequences

Huaying Hao, Huazhu Fu+6 more|arXiv (Cornell University)|Jun 9, 2020

Glaucoma and retinal disorders参考文献 13被引用 5

一句话总结

本文提出SMA-Net，一种用于前房角（ACA）分类的序列多尺度聚合网络，适用于前节光学相干断层扫描（AS-OCT）序列中的开放-狭窄-粘连型前房角分类，结合多尺度特征提取（通过MSDA模块）与基于ConvLSTM的时间建模。该方法在两个数据集上实现了最先进性能，是首个利用序列AS-OCT成像实现三类ACA分级的自动化方法。

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.

研究动机与目标

• 解决在闭角型青光眼诊断中对三类前房角分级系统（开放、狭窄、粘连）的临床需求，超越二分类的开放/闭角分类。
• 克服现有基于2D AS-OCT切片的方法在捕捉连续成像帧间动态进展方面的局限性。
• 开发一种深度学习框架，能够同时建模AS-OCT序列中的空间多尺度表征与时间动态。
• 通过多损失函数整合切片级与序列级特征，提升诊断准确率与临床实用性。
• 通过区分可逆性（狭窄）与不可逆性（粘连）状态，实现原发性闭角型青光眼的早期检测与干预。

提出的方法

• 提出一种新颖的序列多尺度聚合网络（SMA-Net），将AS-OCT序列作为输入，用于三类前房角分类。
• 采用多尺度判别聚合（MSDA）模块，从单个AS-OCT切片中提取分层的多尺度特征。
• 集成ConvLSTM层以建模序列中各帧间的时间依赖性与动态变化，捕捉运动与外观演变。
• 使用多级损失函数，结合切片级与序列级损失，联合优化空间与时间特征学习。
• 采用Xception作为主干网络进行特征提取，并通过MSDA模块与ConvLSTM增强表示学习能力。
• 引入自监督损失组件（$\mathcal{L}_{\mathrm{SV}}$），进一步优化序列中时间动态的建模。

实验结果

研究问题

• RQ1 深度学习模型能否有效利用AS-OCT序列对前房角进行三类临床相关分类（开放、狭窄、粘连）？
• RQ2 与单切片方法相比，建模AS-OCT序列中连续帧间的时间动态如何提升分类性能？
• RQ3 多尺度空间表征在识别早期青光眼阶段细微前房角变化方面能提升多大程度的判别能力？
• RQ4 结合切片级与序列级监督的多损失策略是否能带来更好的泛化能力与准确率？
• RQ5 所提方法是否在三分类与二分类前房角分类任务中均优于现有最先进2D与3D深度学习模型？

主要发现

• 在私有数据集上，所提SMA-Net的kappa评分为0.7931，AUC为0.8826，优于Xception与MA-Net等基线模型。
• 与MA-Net基线相比，加入ConvLSTM模块使kappa提升4.53%，AUC提升0.49%，证明时间建模具有显著价值。
• 多损失函数（$\mathcal{L}_{\mathrm{SV}}$）进一步提升性能，使kappa较MA-Net+ConvLSTM配置提升4.53%，AUC提升0.49%。
• 在公开的AGE数据集上，SMA-Net在二分类（开放/闭角）任务中达到完美性能，AUC = 1.000000，灵敏度（Sen）= 1.000000，特异度（Spe）= 1.000000。
• 在AGE数据集上，该方法在AUC与灵敏度方面显著优于最先进模型如Xception、Inception-V3与MSCNN。
• 消融实验证实，MSDA模块、ConvLSTM与多损失函数的组合对最优性能至关重要，各组件均对准确率有增量贡献。