Mapping the ocular surface from monocular videos with an application to dry eye disease grading

要約

ドライアイ（Dry Eye Disease：DED）は、5～50％の有病率で、眼科医が受診する主な理由の一つとなっています。DEDの診断と定量化は、通常、細隙灯検査による眼表面分析に依存しています。しかし、その評価は主観的であり、再現性に乏しい。そこで我々は，1) 診断時に撮影した動画像を用いて眼表面を3次元的に追跡し，2) 登録したフレームを用いて重症度を評価することを提案する．登録手法には教師なし画像-深度学習法を用いる。この方法は、光と影から奥行きを学習し、奥行きマップから姿勢を推定する方法である。しかし、DEDの検査では、光源が移動する、眼球組織が透明であるなどの未解決の課題がある。そこで、我々は、セマンティックセグメンテーションと球面フィッティングにより、眼球の形状という既知の情報を取り入れた多重損失を持つジョイントCNNアーキテクチャを実装し、自我運動推定を行う。その結果、テストセットにおいて、平均ユークリッド距離は画像幅の0.48%と低く、最先端の技術を上回る追跡誤差が達成された。この登録により，DEDの重症度分類が0.20 AUCの差で改善される．提案手法は、単眼ビデオからの監視によるDED診断に初めて取り組んだものである

要約(オリジナル)

With a prevalence of 5 to 50%, Dry Eye Disease (DED) is one of the leading reasons for ophthalmologist consultations. The diagnosis and quantification of DED usually rely on ocular surface analysis through slit-lamp examinations. However, evaluations are subjective and non-reproducible. To improve the diagnosis, we propose to 1) track the ocular surface in 3-D using video recordings acquired during examinations, and 2) grade the severity using registered frames. Our registration method uses unsupervised image-to-depth learning. These methods learn depth from lights and shadows and estimate pose based on depth maps. However, DED examinations undergo unresolved challenges including a moving light source, transparent ocular tissues, etc. To overcome these and estimate the ego-motion, we implement joint CNN architectures with multiple losses incorporating prior known information, namely the shape of the eye, through semantic segmentation as well as sphere fitting. The achieved tracking errors outperform the state-of-the-art, with a mean Euclidean distance as low as 0.48% of the image width on our test set. This registration improves the DED severity classification by a 0.20 AUC difference. The proposed approach is the first to address DED diagnosis with supervision from monocular videos

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL