問題点
市販の OCT マシンは、自動網膜層セグメンテーション アルゴリズムを使用して、隣接する網膜層間の信号強度の違いを検出し、RNFL の厚さを計算します。ただし、スキャンは、動き、メディアの不透明度、アルゴリズムの不具合、信号対雑音比の低さの影響を受ける可能性があります。多層ニューラル ネットワークを使用する人工知能の一種であるディープ ラーニング (DL) は、病気の検出において眼科医よりも優れています。さらに、DL アルゴリズムは、緑内障 OCT スキャンの自動 RNFL セグメンテーションでエラーを検出するようにトレーニングされ、セグメンテーション アーティファクトの可能性を特定し、92.4% の精度を使用しました。
適用シナリオ
医療機器におけるディープ ラーニング アルゴリズムのインテリジェントな適用。
クイックプレビュー
この作業は、前部虚血性視神経症 (NAION) および脱髄性視神経炎 (ON) 能力の光コヒーレンストモグラフィー (OCT) スキャンから網膜神経線維層 (RNFL) の厚さを測定するためのディープラーニング (DL) アルゴリズムを特定することを目的としています。トレーニング/検証データセットは、750 の RNFL OCT B スキャンで構成されています。アルゴリズムのパフォーマンスは、70 の健康な目からの 194 の OCT B スキャン、28 の NAION の目からの 82 のスキャン、および 29 の ON の目からの 84 のスキャンで評価されました。結果を、グラウンド トゥルースとしての手動セグメンテーションと、計測器ソフトウェアに組み込まれた RNFL 計算と比較します。テスト画像の Dice 係数は 0.87 です。U-Net を使用した平均 RNFL 厚さは、手動セグメンテーションの最良の推定値と、コントロールおよびオンの目の OCT マシン データと区別がつきませんでした。NAION の目には、U-Net アルゴリズムを使用した平均 RNFL 厚さは手動でセグメント化された値と変わらなかったが、OCT マシン データは手動でセグメント化された値と異なっていた。NAIONの目では、平均RNFL厚のMAEは、U-Netアルゴリズムセグメンテーションと従来のOCTマシンデータで、それぞれ1.18±0.69μmと6.65±5.37μmでした（P = 0.0001）。
背景紹介
光コヒーレンストモグラフィー (OCT) は、ミクロン スケールの視神経円板周囲網膜神経線維層 (RNFL) の厚さを測定するために適用されています。RNFL の OCT は、NAION の初期段階で肥厚を示し、亜急性期に減少する乳頭炎を示すことがあります。RNFL の厚さは疾患の進行または改善の検出に役立つ可能性があるため、厚さの正確な測定は重要です。ただし、スキャンは、動き、メディアの不透明度、アルゴリズムの誤動作、信号対雑音比の低下の影響を受ける可能性があり、一部の研究では、緑内障の OCT B スキャンで 46.3% および 61.7% のアーティファクト率が報告されています。このような誤差は、さまざまな層や構造の厚さの測定値を不正確にする可能性があります。ベースライン エラーが後続のスキャンに持続し、エラーが垂直方向に伝播することは注目に値します。したがって、オペレーターが RNFL の厚さを評価している間は、OCT 網膜層セグメンテーションを手動で調整することをお勧めしますが、このプロセスは面倒で時間がかかります。以前の研究では、NAION や ON などの他の視神経障害におけるセグメンテーションの問題やアーチファクトは特定されていませんが、症例報告では、セグメンテーション エラーが認識されない場合、神経眼科疾患の臨床的誤診につながる可能性があることが報告されています。
ディープ ラーニング (DL) は、多層ニューラル ネットワークを使用する人工知能の一種であり、そのアルゴリズムは、病気の検出において眼科医よりも優れています。
さらに、DL アルゴリズムは、緑内障 OCT スキャンの自動 RNFL セグメンテーションでエラーを検出し、セグメンテーション アーティファクトの可能性を特定し、92.4% の精度でヒートマップを使用してこれらのエラーの位置を強調するようにトレーニングされています。 NAION と ON の目で DL を使用した RNFL セグメンテーション。
虚血性視神経症と視神経炎の診断とフォローアップには正確な RNFL 厚さデータが必要であるため、NAION と ON を持つ個人の OCT マシン セグメンテーション エラーを調べ、網膜層の正確なセグメンテーションを使用した DL メソッドが推定できるという仮説を立てました。 RNFL の厚さは、手動セグメンテーションに匹敵します。さらに、このアプローチは従来の OCT マシン RNFL データ セグメンテーション アルゴリズムよりも優れていると仮定しました。
研究成果
トレーニング/検証データセットは、250 の目 (NAION で 60 の目、ON で 50 の目、および 140 のコントロールの目) からの 750 の RNFL OCT B スキャンで構成されていました。これらの研究の目は、トレーニング (サンプルの 80%) と検証 (20%) のデータセットに分割されます。
アルゴリズムのパフォーマンスは、テスト セットの 132 の目からの 370 のスキャンで評価されました。トレーニング セットとテスト セットの間に重複はありません。
センタリングと品質の問題のために 10 スキャンを除外した後、最終的なテスト セットは、70 個の健康な眼からの 194 個の OCT B スキャン、28 個の NAION 眼からの 82 個のスキャン、および 29 個の ON 眼からの 84 個のスキャンで構成されました。健康な目からの 5 回のスキャン (7.1%)、ON の目からの 3 回のスキャン (3.5%)、および NAION の目からの 53 回のスキャン (64%) で、セグメンテーション エラーが手動で修正されました (カイ二乗; P < 0.001)。さらに、NAION の目からの 8 回のスキャン (9.7%) と、ON および健康な目からの 1 回のスキャンには、網膜上膜がありました (P < 0.001)。部分的な後部硝子体剥離は、20.7% (17) の NAION スキャン、10% (7) の健康なスキャン、および 9.5% (8) の ON スキャンで発見されました (P < 0.001)。手動で修正された平均 RNFL の厚さ (真の値) の平均は、有意に低かった (P < 0.001、g Ruscal-Wallis)。ON と NAION の目の間に平均 RNFL の厚さに差はありませんでした (P = 0.96)。NAION スキャンは、ON スキャン (23.7 ± 4.5 対 25.7 ± 4、P = 0.03、Kruskal-Wallis) およびコントロール スキャン (26.8 ± 4、P < 0.001) よりも OCT 品質スコアが低かった。すべてのデータ セットで、OCT スキャン時の平均年齢は、NAION グループで 62.8 ± 9.4 歳、ON グループで 30.8 ± 10.1 歳、対照グループで 42.3 ± 18.4 歳でした。
結果を得るために 2 段階のプロセスを実行しました。最初のステップは U-net 評価で、2 番目のステップは 3 つの異なるグループ (コントロール、ON、NAION) で U-net アルゴリズムを使用して RNFL の厚さを考慮することでした。テスト画像。
当社の U-net モデルは、テストおよび検証画像で高いパフォーマンスを発揮します。検証データセットに対する提案モデルの感度と特異度は、それぞれ 0.91 と 0.90 です。テスト セットの同じ測定値は、それぞれ 0.88 と 0.86 です。検証データセットでの提案されたセグメンテーションと専門家の手動セグメンテーションの間の Dice 係数は、テスト画像で 0.90 と 0.87 です。
また、7つのセクション（平均、鼻、側頭、上側頭、上鼻、下側頭、下鼻）を3つの異なる方法（U-Netアルゴリズム、従来のOCTマシンデータ）によって比較しました。眼科医によって決定された手動セグメンテーションの見積もり) 3 つの異なるグループ (表 1)
表 1 コントロール、非動脈炎性前部虚血性視神経症 (NAION)、および脱髄性視神経炎 (ON) の 3 つの異なる方法による 7 つの領域での RNFL 厚さ測定値 (μm) の推定値。
01
正常対照群におけるRNFLの厚さ
平均 RNFL の厚さは、3 つの測定方法間で有意差はありませんでした (P = 0.69、ANOVA)。U-Net アルゴリズムを使用してセグメント化された平均 RNFL 厚さは、手動セグメンテーションの最良の推定値 (グラウンド トゥルース) と区別がつきませんでした (101.1 ± 10.8 μm 対 100.2 ± 10.8 μm; P > 0.99)。同様に、OCT マシン平均 RNFL 厚 (100.2 ± 11.2) と手動でセグメント化された値 (P > 0.99) の間に有意差はありませんでした。U-Net アルゴリズムによってセグメント化された RNFL の厚さと従来の OCT マシン データの両方は、手動のセグメンテーションによって得られた RNFL の厚さと密接に相関しており (r 2 = 0.99 および 0.98)、2 つの相関関係に有意差はありませんでした (P = ０．３３）（図１））平均ＲＮＦＬ厚さの平均絶対誤差（ＭＡＥ）は、Ｕ－Ｎｅｔアルゴリズムセグメンテーションおよび従来のＯＣＴマシンデータにおいて、それぞれ１．０４±０．７４μｍおよび０．１８±１．２３μｍであった。2 つの MAE 数の間に有意差はありませんでした (P = 0.93)。
図 1: U-Net によって推定された平均網膜神経線維層 (RNFL) の厚さと、3 つの研究グループの実際の状況との相関関係を示す折れ線グラフ。(A) 前部虚血性視神経症 (AION)、(B) 視神経炎 (ON)、(C) 正常データ。
02
NAIONグループのRNFLの厚さ
Kruskal-Wallis 検定では、3 つの測定値の平均 RNFL 厚に有意差 (P = 0.02) が明らかになりました。U-Net アルゴリズムを使用した平均 RNFL の厚さは、手動でセグメント化された値 (グラウンド トゥルース) (それぞれ 70.5 ± 19.4 μm および 69.7 ± 19.3 μm; P > 0.99) と変わらなかったが、OCT マシンの RNFL の厚さ (64.4 ± 21.3 μm ) は手動セグメンテーション値よりも低かった (P = 0.04)。さらに、U-Net によって計算された RNFL の厚さと OCT マシンの厚さとの間にも有意差がありました (P = 0.009)。手動でセグメント化された RNFL の厚さと U-Net 平均 RNFL の厚さ (r = 0.99) の間の相関は、手動でセグメント化された RNFL の厚さと OCT マシンの RNFL の厚さ (r = 0.95) (P = 0.02) の間の相関よりも強かった (図 2)。) 平均 RNFL 厚さの MAE は、U-Net アルゴリズム セグメンテーションと従来の OCT マシン データで、それぞれ 1.18 ± 0.69 μm と 6.65 ± 5.37 μm でした。2 つの MAE 数値には有意差がありました (P = 0.0001)。具体的には、U-Net を使用してセグメント化された鼻、鼻上、および側頭上 RNFL の厚さの MAE は、それぞれ 1.48 ± 1.26 μm、1.64 ± 2.19 μm、および 1.69 ± 1.38 μm でした。従来の OCT マシンの対応する厚さセクターの MAE は、それぞれ 6.16 ± 10.02 μm、5.08 ± 10.47 μm、および 6.26 ± 13.16 μm です。
図 2: 前部虚血性視神経症 (AION) グループにおけるニューラル ネットワークで推定された網膜神経線維層 (RNFL) のセクタあたりの厚さとグラウンド トゥルースとの相関関係を示す折れ線グラフ。( A ) 鼻領域 (N)、( B ) 側頭領域 (T)、( C ) 下鼻領域 (NI)、( D ) 下側頭領域 (TI)、( E ) 上鼻領域 (NS)、( F ) セクター タイム アドバンテージ (TS)。
03
ONグループのRNFLの厚さ
平均 RNFL の厚さは、3 つの測定間で有意差はありませんでした (P = 0.66 Kruskal-Wallis)。平均 RNFL 厚さは 76.1 ± 16.2 μm、手動でセグメント化、77.1 ± 16 μm および 75.9 ± 16.6 μm、それぞれ U-net アルゴリズムと OCT マシンを使用してセグメント化されました。U-net アルゴリズムと従来の OCT マシン データによってセグメント化された平均 RNFL 厚さは、手動セグメンテーションによって得られた RNFL 厚さと密接に関連しており、それらの間に有意差はありませんでした (それぞれ r = 0.99 と 0.99、P = 033) (図 1). OCT マシンと U-Net セグメンテーションの平均 RNFL 厚さの MAE は、それぞれ 0.2 ± 1 μm と 1.2 ± 0.71 μm であり、両者の間に有意差はありませんでした (P = 0.93)。
この研究では、深層学習 (U-Net) を使用して、NAION の目、ON の目、およびコントロールで、OCT の末梢神経線維層の厚さの定量化を調査しました。RNFL の厚さの手動でセグメント化された (グラウンド トゥルース) 推定値を、U-Net アルゴリズムおよび従来の OCT マシン データと比較しました。最初に、テストおよび検証画像で U-Net モデルの高いパフォーマンスを示します。モデルと検証データセットの手動セグメンテーションの間のダイス係数は、テスト画像で 0.90 と 0.87 です。第 2 に、U-Net アルゴリズムによってセグメント化された RNFL の厚さと従来の OCT マシン データの両方が、コントロールとオンの両方の目の手動セグメンテーションによって得られた RNFL の厚さに類似していました。しかし、NAION の目には、OCT マシンを使用した平均 RNFL 厚は手動セグメンテーションとは異なりました (図 3 ).これらの目では、U-Net アルゴリズムは手動セグメンテーション値 (グラウンド トゥルース) と何ら変わりはありませんでした。
図 3: 虚血性視神経症の目のサンプル OCT 画像。OCT マシンが誤ってセグメント化された網膜神経線維層 (A) と手動補正後 (B)。(C) U-Net への画像入力と (D) は、U-Net RNF レイヤー セグメンテーションの予測マスク出力であり、グラウンド トゥルース (B) と非常によく似ています。
全体として、U-Net を使用すると、RNFL レイヤーを 3 つの目のセットに分割できます。コントロール、ON、および NAION の目は、補正された画像でトレーニングおよびテストされると、手動セグメンテーションとよく相関します。対照的に、従来の OCT マシンのセグメンテーションは、NAION の目ではエラーが発生しやすく、RNFL の厚さ測定が不正確になりました。さらに、当社の U-Net セグメンテーション パフォーマンスは、低品質スキャンのグラウンド トゥルースに似ているため、このアルゴリズムは、高品質の画像だけでなく、発生する可能性のあるセグメンテーション エラーが発生しやすい画像でも堅牢な RNFL を提供できます。ナイオンの。このアルゴリズムは、NAION の眼と ON の眼の RNFL の厚さを評価するために、臨床現場で役立つ可能性があります。
方法
01
スペクトル領域光コヒーレンストモグラフィー
乳頭周囲 RNFL 画像は、Spectralis SD-OCT を使用して取得し、研究眼あたり 2 ～ 4 枚の画像を使用しました。品質が 10 未満の画像は含まれません。分離線は、Spectralis SD-OCT の従来の OCT ソフトウェアによって線引きされ、それぞれ内境界膜と内網状層に対応する円形スキャンの前方および後方 RNFL 境界を含みます。OCT機器によって描写された毛細血管周囲のRNFL測定値が記録されました。すべての OCT マシン セグメンテーションは、眼科医 (EH) によってセグメンテーション エラーの可能性がないかチェックされ、B スキャンで手動セグメンテーション修正が実行され、修正されたセグメンテーションからの RNFL 厚さデータは、その後「グラウンド トゥルース」データとして記録されました。
02
画像処理と深層学習アルゴリズム
RNFLの厚さを推定するために、深層学習に基づくアルゴリズムを開発しました。最初のステップでは、前処理方法を使用してスペックル ノイズを低減します。その後、U-Net アルゴリズムに基づくセグメンテーション アルゴリズムが実装され、RNFL の概要が示されました。後処理ステップでは、セグメンテーション結果のスペックル パターンを除去するために、形態学的手法が適用されます。最後に、一連の画像処理方法と深層学習モデルを使用して RNFL の厚さを決定しました。
03
前処理
スペックル ノイズの低減は、前処理ステップの主な目標です (図 4)。これらの画像アーティファクトを最小限に抑えるために、形態学的フィルターが使用されました (OpenCV バージョン 4.5.1 を使用、カーネル寸法: 正方形、サイズ: 3 × 3)。
図 4: ノイズ除去前 (A) とノイズ除去後 (B) の画像処理。
04
後処理と平均RNFL厚推定
セグメンテーション方法を実装した後、結果のバイナリ マスクにはギャップとブロブが含まれる場合があります。ギャップは、形態学的アルゴリズムに基づく後処理方法を実装することによって埋められます。後処理ステップの後、ユークリッド距離変換法を使用して RNFL の平均厚さを測定しました。
05
パフォーマンス
特異性、感度、ダイス係数を使用して、テスト セットでの U-Net のセグメンテーション精度を評価します。特異性を使用して真陰性率を評価し、感度を使用して、対応する手動でセグメント化された画像と比較して、提案された方法の真陽性率を評価しました。手動セグメンテーションと U-Net セグメンテーション間のオーバーラップを測定する Dice 係数は 0 から 1 の間で、0 はオーバーラップがないことを意味し、1 は完全なオーバーラップを意味します。
最後に、RNFL の厚さを計算した後、平均絶対誤差 (MAE) を報告して、DL アルゴリズムの RNFL の結果と OCT マシンの RNFL データを真の値と比較します。眼科医が手動で。
06
統計データ
Shapiro–Wilk検定を使用して、正規性の仮定を検証しました。通常のデータは、データが正規分布していると仮定しなかった場合に Kruskal-Wallis 検定を使用して、一元配置分散分析 (ANOVA) によって分析されました。ボンフェローニ補正は、複数の比較を説明するために使用されました。データ間の相関関係はピアソン テストを使用して分析され、相関関係の違いは R の「cocor」パッケージで評価されました (http://www.R-project.org/; パブリック ドメインの R 財団の厚意による)。コンピューティング、ウィーン、オーストリア）。P 値が 0.05 未満の場合、差は有意であると見なされました。
参考
参照する
1.ファード、マサチューセッツ州他。開放隅角緑内障と比較した非動脈炎性前部虚血性視神経症における視神経頭の形態。投資。眼科。ヴィス。科学。57、4632–4640 (2016)。
2. Fard, MA, Ghahvehchian, H. & Subramanian, PS 虚血性視神経症における光コヒーレンストモグラフィ。アン。目の科学。5, 6 (2020).
3.Yadegari、S.、Gholizade、A.、Ghahvehchian、H.およびAghsaeiFard、M.急性孤立性視神経炎における網膜神経節細胞に対するフェニトインの効果。神経内科。科学。41、2477–2483 (2020)。
4.Liu、Y.ら。緑内障の網膜神経線維層のスペクトラリス光干渉断層撮影におけるアーチファクトに関連する患者の特徴。午前。Ｊ．Ｏｐｈｔｈａｌｍｏｌ．159、565-576 (2015)。
5. Mansberger, SL, Menda, SA, Fortune, BA, Gardiner, SK & Demirel, S. 光コヒーレンストモグラフィーを使用して緑内障の網膜神経線維層の厚さを測定する際の自動セグメンテーション エラー。午前。Ｊ．Ｏｐｈｔｈａｌｍｏｌ．174, 1–8 (2017).
6.Somfai, GM, Salinas, HM, Puliafito, CA & Fernández, DC 光コヒーレンストモグラフィー中の潜在的な画像取得の落とし穴と網膜画像セグメンテーションへの影響の評価。Ｊ．Ｂｉｏｍｅｄ．オプション。12, 041209 (2007)。
7.パーク、EAら。スペクトル領域光コヒーレンストモグラフィーを使用した、2D 網膜神経線維層の厚さと 3D 神経網膜リムの厚さのアーチファクト率。トランス。ヴィス。科学。技術。9、10（2020）。
8.Chen, JJ & Kardon, RH 視神経、網膜神経線維層、および神経節細胞層の光コヒーレンストモグラフィー分析の臨床的誤解とアーチファクトの回避。Ｊ．Ｎｅｕｒｏｏｐｈｔｈａｌｍｏｌ．36、417–438 (2016)。
