Detection of diabetic retinopathy using longitudinal self-supervised learning

要約

縦断的な画像は、静的な解剖学的構造と疾患進行の動的変化の両方を捉えることができ、より早く、より良い患者固有の病態管理に向けて有効である。しかし、従来の糖尿病網膜症（DR）検出のためのアプローチでは、DR解析の向上のために縦断的な情報を活用することはほとんどない。本研究では、縦断的な性質を持つ自己教師付き学習をDR診断の目的に利用することの利点を調査する。我々は、連続した一組の検査を用いて初期のDR重症度変化を検出するために、縦方向の網膜カラー眼底写真（CFP）から疾患進行をモデル化する異なる縦断的自己教師付き学習（LSSL）手法を比較する。実験は、縦断的なDRスクリーニングデータセットに、それらの学習済みエンコーダ（LSSL）を縦断的な前文タスクとして作用させた場合とさせない場合で行った。その結果、ベースライン（ゼロから学習したモデル）のAUCは0.875、LSSLの重みを凍結した単純なResNet同様のアーキテクチャを用いた早期融合ではAUC0.96（95% CI: 0.9593-0.9655 DeLong test）、p値<2.2e-16を達成し、LSSL潜在空間がDR進行のダイナミックをコード化できることが示唆された。

要約(オリジナル)

Longitudinal imaging is able to capture both static anatomical structures and dynamic changes in disease progression towards earlier and better patient-specific pathology management. However, conventional approaches for detecting diabetic retinopathy (DR) rarely take advantage of longitudinal information to improve DR analysis. In this work, we investigate the benefit of exploiting self-supervised learning with a longitudinal nature for DR diagnosis purposes. We compare different longitudinal self-supervised learning (LSSL) methods to model the disease progression from longitudinal retinal color fundus photographs (CFP) to detect early DR severity changes using a pair of consecutive exams. The experiments were conducted on a longitudinal DR screening dataset with or without those trained encoders (LSSL) acting as a longitudinal pretext task. Results achieve an AUC of 0.875 for the baseline (model trained from scratch) and an AUC of 0.96 (95% CI: 0.9593-0.9655 DeLong test) with a p-value < 2.2e-16 on early fusion using a simple ResNet alike architecture with frozen LSSL weights, suggesting that the LSSL latent space enables to encode the dynamic of DR progression.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL