An open-source deep learning algorithm for efficient and fully-automatic analysis of the choroid in optical coherence tomography

要約

目的: 光コヒーレンストモグラフィー (OCT) データの脈絡膜領域セグメンテーションのための、オープンソースの全自動深層学習アルゴリズム DeepGPET を開発します。
方法: 全身疾患に関連する 3 件の臨床研究からの 715 件の OCT B スキャン (被験者 82 人、眼 115 個) のデータセットを使用しました。
グラウンド トゥルース セグメンテーションは、臨床的に検証された半自動脈絡膜セグメンテーション手法であるガウス プロセス エッジ トレーシング (GPET) を使用して生成されました。
ImageNet で事前トレーニングされた MobileNetV3 バックボーンを使用して UNet を微調整しました。
DeepGPET の評価には、臨床眼科医による定性的評価と並行して、標準的なセグメント化一致指標、および脈絡膜の厚さと面積の派生測定が使用されました。
結果: DeepGPET は、3 つの臨床研究のデータ (AUC=0.9994、Dice=0.9664; ピアソン相関は脈絡膜厚さについて 0.8908、脈​​絡膜面積について 0.9082) で GPET との優れた一致を達成しながら、標準的なラップトップ CPU での画像あたりの平均処理時間を短縮しました。
GPET を使用した場合の 34.49 秒 ($\pm$15.09) から、DeepGPET を使用した場合の 1.25 秒 ($\pm$0.10) まで。
臨床眼科医によると、どちらの方法も同様に機能し、セグメンテーションの滑らかさと精度に基づいて GPET と DeepGPET によるセグメンテーションのサブセットを定性的に判断しました。
結論:DeepGPETは脈絡膜セグメンテーションのための全自動のオープンソースアルゴリズムであり、研究者は大規模なデータセットであっても脈絡膜測定値を効率的に抽出できるようになります。
DeepGPET は手動による介入が必要ないため、半自動手法に比べて主観的でなく、訓練を受けたオペレーターを必要とせずに臨床現場で導入できます。
DeepGPET は、オープンソースで全自動の臨床関連性のある脈絡膜セグメンテーション アルゴリズムの欠如に対処しており、その後の公開リリースにより、眼科とより広範な全身健康の両方における将来の脈絡膜研究が促進されます。

要約(オリジナル)

Purpose: To develop an open-source, fully-automatic deep learning algorithm, DeepGPET, for choroid region segmentation in optical coherence tomography (OCT) data. Methods: We used a dataset of 715 OCT B-scans (82 subjects, 115 eyes) from 3 clinical studies related to systemic disease. Ground truth segmentations were generated using a clinically validated, semi-automatic choroid segmentation method, Gaussian Process Edge Tracing (GPET). We finetuned a UNet with MobileNetV3 backbone pre-trained on ImageNet. Standard segmentation agreement metrics, as well as derived measures of choroidal thickness and area, were used to evaluate DeepGPET, alongside qualitative evaluation from a clinical ophthalmologist. Results: DeepGPET achieves excellent agreement with GPET on data from 3 clinical studies (AUC=0.9994, Dice=0.9664; Pearson correlation of 0.8908 for choroidal thickness and 0.9082 for choroidal area), while reducing the mean processing time per image on a standard laptop CPU from 34.49s ($\pm$15.09) using GPET to 1.25s ($\pm$0.10) using DeepGPET. Both methods performed similarly according to a clinical ophthalmologist, who qualitatively judged a subset of segmentations by GPET and DeepGPET, based on smoothness and accuracy of segmentations. Conclusions :DeepGPET, a fully-automatic, open-source algorithm for choroidal segmentation, will enable researchers to efficiently extract choroidal measurements, even for large datasets. As no manual interventions are required, DeepGPET is less subjective than semi-automatic methods and could be deployed in clinical practice without necessitating a trained operator. DeepGPET addresses the lack of open-source, fully-automatic and clinically relevant choroid segmentation algorithms, and its subsequent public release will facilitate future choroidal research both in ophthalmology and wider systemic health.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google