DISCOVER: 2-D Multiview Summarization of Optical Coherence Tomography Angiography for Automatic Diabetic Retinopathy Diagnosis

要約

糖尿病の目の合併症である糖尿病性網膜症（DR）は、世界中で失明の主な原因となっています。
従来、DR は、広く普及している 2D 画像診断法であるカラー眼底撮影 (CFP) を使用してモニタリングされています。
ただし、CFP に基づく DR 分類は予測能力が低く、最適とは言えない DR 管理になります。
光干渉断層撮影血管造影 (OCTA) は、より広い視野で強化された構造および機能情報 (血流) を提供する最近の 3D イメージング モダリティです。
この論文では、3-D OCTA を使用した自動 DR 重大度評価について調査します。
このタスクに対する簡単な解決策は、3D ニューラル ネットワーク分類器です。
ただし、3D アーキテクチャには多数のパラメーターがあり、通常は多くのトレーニング サンプルが必要です。
より軽量なソリューションは、2-D 正面 (または正面) 投影および/または 2-D 断面スライスを処理する 2-D ニューラル ネットワーク分類器を使用することで構成されます。
このようなアプローチは、眼科医が OCTA 取得を分析する方法を模倣しています。1) 正面フロー マップは、無血管ゾーンや血管新生の検出によく使用され、2) 断面スライスは、たとえば、黄斑浮腫の検出によく分析されます。
ただし、データを任意に削減または選択すると、情報が失われる可能性があります。
したがって、2 次元画像で OCTA ボリュームを最適に要約するための 2 つの相補的な戦略が提案されています。1) 深層学習を通じて最適化されたパラメトリック正面投影と、2) 勾配ベースの属性を通じて制御された断面スライス選択プロセスです。
完全な要約および DR 分類パイプラインはエンドツーエンドでトレーニングされます。
自動 2-D サマリーは、ビューアに表示したり、レポートに印刷して決定をサポートしたりできます。
提案された 2 次元の要約および分類パイプラインが、解釈可能性が向上するという利点により、直接的な 3 次元分類よりも優れていることを示します。

要約(オリジナル)

Diabetic Retinopathy (DR), an ocular complication of diabetes, is a leading cause of blindness worldwide. Traditionally, DR is monitored using Color Fundus Photography (CFP), a widespread 2-D imaging modality. However, DR classifications based on CFP have poor predictive power, resulting in suboptimal DR management. Optical Coherence Tomography Angiography (OCTA) is a recent 3-D imaging modality offering enhanced structural and functional information (blood flow) with a wider field of view. This paper investigates automatic DR severity assessment using 3-D OCTA. A straightforward solution to this task is a 3-D neural network classifier. However, 3-D architectures have numerous parameters and typically require many training samples. A lighter solution consists in using 2-D neural network classifiers processing 2-D en-face (or frontal) projections and/or 2-D cross-sectional slices. Such an approach mimics the way ophthalmologists analyze OCTA acquisitions: 1) en-face flow maps are often used to detect avascular zones and neovascularization, and 2) cross-sectional slices are commonly analyzed to detect macular edemas, for instance. However, arbitrary data reduction or selection might result in information loss. Two complementary strategies are thus proposed to optimally summarize OCTA volumes with 2-D images: 1) a parametric en-face projection optimized through deep learning and 2) a cross-sectional slice selection process controlled through gradient-based attribution. The full summarization and DR classification pipeline is trained from end to end. The automatic 2-D summary can be displayed in a viewer or printed in a report to support the decision. We show that the proposed 2-D summarization and classification pipeline outperforms direct 3-D classification with the advantage of improved interpretability.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google