Automated Grading System of Retinal Arterio-venous Crossing Patterns: A Deep Learning Approach Replicating Ophthalmologist’s Diagnostic Process of Arteriolosclerosis

要約

網膜動静脈交差の状態は、動脈硬化症および全身性高血圧症の臨床評価にとって非常に重要です。
眼科の診断基準として、シャイエ分類が動脈硬化の重症度の等級付けに使用されてきました。
このホワイト ペーパーでは、診断プロセスをサポートするためのディープ ラーニング アプローチを提案します。
提案されたパイプラインは 3 つです。
まず、セグメンテーションおよび分類モデルを採用して、対応する動脈/静脈ラベルを使用して網膜画像内の血管を自動的に取得し、動静脈交差点の候補を見つけます。
次に、分類モデルを使用して真の交差点を検証します。
最後に、船舶横断の重大度が分類されます。
ラベルのあいまいさと不均衡なラベル分布の問題により適切に対処するために、異なる構造または異なる損失関数を持つサブモデルが異なる決定を提供する、マルチ診断チーム ネットワーク (MDTNet) という名前の新しいモデルを提案します。
MDTNet は、これらの多様な理論を統合して、高い精度で最終決定を下します。
私たちの深刻度の等級付け方法は、それぞれ96.3%と96.3%の精度と再現率でクロッシングポイントを検証することができました。
正しく検出された交差点の中で、網膜専門医によるグレーディングと推定スコアとの間の一致のカッパ値は 0.85 で、精度は 0.92 でした。
数値結果は、我々の方法が動静脈交差検証と重症度グレーディングタスクの両方で良好なパフォーマンスを達成できることを示しています。
提案されたモデルにより、特徴抽出なしで網膜専門家の主観的グレーディングを再現するパイプラインを構築できました。
コードは再現可能です。

要約(オリジナル)

The status of retinal arteriovenous crossing is of great significance for clinical evaluation of arteriolosclerosis and systemic hypertension. As an ophthalmology diagnostic criteria, Scheie’s classification has been used to grade the severity of arteriolosclerosis. In this paper, we propose a deep learning approach to support the diagnosis process, which, to the best of our knowledge, is one of the earliest attempts in medical imaging. The proposed pipeline is three-fold. First, we adopt segmentation and classification models to automatically obtain vessels in a retinal image with the corresponding artery/vein labels and find candidate arteriovenous crossing points. Second, we use a classification model to validate the true crossing point. At last, the grade of severity for the vessel crossings is classified. To better address the problem of label ambiguity and imbalanced label distribution, we propose a new model, named multi-diagnosis team network (MDTNet), in which the sub-models with different structures or different loss functions provide different decisions. MDTNet unifies these diverse theories to give the final decision with high accuracy. Our severity grading method was able to validate crossing points with precision and recall of 96.3% and 96.3%, respectively. Among correctly detected crossing points, the kappa value for the agreement between the grading by a retina specialist and the estimated score was 0.85, with an accuracy of 0.92. The numerical results demonstrate that our method can achieve a good performance in both arteriovenous crossing validation and severity grading tasks. By the proposed models, we could build a pipeline reproducing retina specialist’s subjective grading without feature extractions. The code is available for reproducibility.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google