Weakly-supervised detection of AMD-related lesions in color fundus images using explainable deep learning

要約

加齢黄斑変性症 (AMD) は、視力の重要な網膜領域である黄斑に影響を与える変性疾患です。
今日では、先進国における失明の最も多い原因となっています。
いくつかの有望な治療法が開発されていますが、それらの有効性は進行した段階では低いです。
これは、大規模なスクリーニング プログラムの重要性を強調しています。
それにもかかわらず、AMD に対してそのようなプログラムを実施することは、リスクのある人口が多く、診断が困難であるため、通常は実行不可能です。
これらすべてが、自動メソッドの開発の動機となっています。
この意味で、畳み込みニューラル ネットワーク (CNN) を使用した AMD 診断について、いくつかの研究で肯定的な結果が得られています。
ただし、説明可能性メカニズムを組み込んだものはなく、臨床診療での使用が制限されます。
その点で、関連する網膜病変の共同識別によるAMDの診断のための説明可能なディープラーニングアプローチを提案します。
私たちの提案では、CNN は、画像レベルのラベルを使用して共同タスクのためにエンドツーエンドでトレーニングされます。
提供された病変情報は、AMD の発達段階を評価できるため、臨床的に興味深いものです。
さらに、このアプローチにより、特定された病変から診断を説明することができます。
これは、病変と診断をリンクするカスタム設定を備えた CNN を使用することで可能になります。
さらに、提案された設定により、粗い病変セグメンテーション マップを弱い教師付きの方法で取得することも可能になり、説明可能性がさらに向上します。
このアプローチのトレーニング データは、臨床医による特別な作業なしで取得できます。
実施された実験は、私たちのアプローチがAMDとそれに関連する病変を十分に識別できることを示していますが、最も一般的な病変に対して適切な粗いセグメンテーションマップを提供しています。

要約(オリジナル)

Age-related macular degeneration (AMD) is a degenerative disorder affecting the macula, a key area of the retina for visual acuity. Nowadays, it is the most frequent cause of blindness in developed countries. Although some promising treatments have been developed, their effectiveness is low in advanced stages. This emphasizes the importance of large-scale screening programs. Nevertheless, implementing such programs for AMD is usually unfeasible, since the population at risk is large and the diagnosis is challenging. All this motivates the development of automatic methods. In this sense, several works have achieved positive results for AMD diagnosis using convolutional neural networks (CNNs). However, none incorporates explainability mechanisms, which limits their use in clinical practice. In that regard, we propose an explainable deep learning approach for the diagnosis of AMD via the joint identification of its associated retinal lesions. In our proposal, a CNN is trained end-to-end for the joint task using image-level labels. The provided lesion information is of clinical interest, as it allows to assess the developmental stage of AMD. Additionally, the approach allows to explain the diagnosis from the identified lesions. This is possible thanks to the use of a CNN with a custom setting that links the lesions and the diagnosis. Furthermore, the proposed setting also allows to obtain coarse lesion segmentation maps in a weakly-supervised way, further improving the explainability. The training data for the approach can be obtained without much extra work by clinicians. The experiments conducted demonstrate that our approach can identify AMD and its associated lesions satisfactorily, while providing adequate coarse segmentation maps for most common lesions.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google