これは2022-09-27 00:12:15 UTCで公開された古いバージョンです。最新バージョンをお読みください。
プレプリント / バージョン1

光干渉断層計画像から緑内障の視野を推測する3次元畳み込みニューラルネットワークモデルの構築

##article.authors##

  • 古山, 誠 南子安眼科

DOI:

https://doi.org/10.51094/jxiv.170

キーワード:

光干渉断層計、 緑内障、 視野、 機械学習

抄録

目的: 光干渉断層計(OCT)画像からの視野推定精度を向上させるため、従来の2次元モデルに代えて、セグメンテーション不要の3次元畳み込みニューラルネットワークモデル(3DCNN)により学習を行った。
対象: 単一施設の後ろ向き全例調査。
方法: OCTに加えハンフリー視野計(HFA) 24-2もしくは10-2検査を受けた、すべてのタイプの緑内障または緑内障の疑いの患者を含む3,416人(6,356眼)を調査した。眼外疾患による視野欠損例を除き、緑内障の有無に関わらず眼内疾患の含有例も信号強度指数が低い画像もすべて学習対象とした。学習すべき視野及び視野の傾きの教師値は、視野閾値の測定点毎の回帰直線から算出した。全測定点の視野の平均教師値は、HFA24-2 で 26.5 ± 6.91 dB[平均 ± 標準偏差]、HFA10-2 で 27.8 ± 8.30 dB であった。
結果: 緑内障患者のペアデータあたりの二乗平均平方根誤差は、HFA24-2で3.27±2.20dB、HFA10-2で3.02±2.28dBであった。緑内障患者の測定点毎の視野と推測視野のピアソンの積率相関係数はHFA24-2でr=0.848、HFA10-2でr=0.882であった。緑内障患者のMD値と推測MD値のピアソンの積率相関係数はHFA24-2でr=0.903、HFA10-2でr=0.923であった。緑内障患者の測定点毎の視野の傾きに関し、教師値と推測値のピアソンの積率相関係数はHFA24-2でr=0.431、HFA10-2でr=0.438であった。緑内障患者のMD値の傾きに関し、教師値と推測値のピアソンの積率相関係数はHFA24-2でr=0.429、HFA10-2でr=0.383であった。
結論: 3DCNNモデルにより、OCT画像からの高い視野推測精度を達成した。

ダウンロード *前日までの集計結果を表示します

ダウンロード実績データは、公開の翌日以降に作成されます。

引用文献

Weinreb, R. N. et al. Primary open-angle glaucoma. Nature Reviews Disease Primers vol. 2 Preprint at https://doi.org/10.1038/nrdp.2016.67 (2016).

Altangerel, U., Spaeth, G. L. & Rhee, D. J. Visual function, disability, and psychological impact of glaucoma. Curr Opin Ophthalmol vol. 14 (2003).

Hashimoto, Y. et al. Predicting 10-2 Visual Field From Optical Coherence Tomography in Glaucoma Using Deep Learning Corrected With 24-2/30-2 Visual Field. Translational Vision Science and Technology 10, (2021).

Asaoka, R. et al. A Joint Multitask Learning Model for Cross-sectional and Longitudinal Predictions of Visual Field Using OCT. Ophthalmology Science 1, 100055 (2021).

Cirafici, P. et al. Point-wise correlations between 10-2 Humphrey visual field and OCT data in open angle glaucoma. Eye (Basingstoke) 35, 868–876 (2021).

Shin, J., Kim, S., Kim, J. & Park, K. Visual field inference from optical coherence tomography using deep learning algorithms: A comparison between devices. Translational Vision Science and Technology 10, (2021).

Sugiura, H. et al. Estimating glaucomatous visual sensitivity from retinal thickness with pattern-based regularization and visualization. in Proceedings of the ACM SIGKDD International Conference on Knowledge Discovery and Data Mining 783–792 (Association for Computing Machinery, 2018). doi:10.1145/3219819.3219866.

Xu, L. et al. Improving Visual Field Trend Analysis with OCT and Deeply Regularized Latent-Space Linear Regression. Ophthalmology Glaucoma 4, (2021).

Xu, L. et al. PAMI: A Computational Module for Joint Estimation and Progression Prediction of Glaucoma. in Proceedings of the ACM SIGKDD International Conference on Knowledge Discovery and Data Mining 3826–3834 (Association for Computing Machinery, 2021). doi:10.1145/3447548.3467195.

Xu, L. et al. Predicting the Glaucomatous Central 10-Degree Visual Field From Optical Coherence Tomography Using Deep Learning and Tensor Regression. American Journal of Ophthalmology 218, (2020).

Hashimoto, Y. et al. Deep learning model to predict visual field in central 10° from optical coherence tomography measurement in glaucoma. British Journal of Ophthalmology 105, (2021).

Asano, S. et al. Predicting the central 10 degrees visual field in glaucoma by applying a deep learning algorithm to optical coherence tomography images. Scientific Reports 11, (2021).

Anderson DR, P. V. Automated Static Perimetry, 2nd edtion. (Mosby, St. Louis, 1999).

Yu, S. et al. Comparison of SITA Faster 24-2C test times to legacy SITA tests. Investigative Ophthalmology and Visual Science 60, (2019).

L.J., S., R.A., R. & D.P., C. Standard or Fast?-Differences in precision between SITA Standard and SITA Fast testing algorithms and their utility for detecting visual field deterioration. Investigative Ophthalmology and Visual Science 55, (2014).

Saunders, L. J., Russell, R. A. & Crabb, D. P. Measurement precision in a series of visual fields acquired by the standard and fast versions of the swedish interactive thresholding algorithm analysis of large-scale data from clinics. JAMA Ophthalmology 133, (2015).

Nakatani, Y., Higashide, T., Ohkubo, S., Takeda, H. & Sugiyama, K. Effect of cataract and its removal on ganglion cell complex thickness and peripapillary retinal nerve fiber layer thickness measurements by fourier-domain optical coherence tomography. Journal of Glaucoma 22, 447–455 (2013).

Kim, M., Eom, Y., Song, J. S. & Kim, H. M. Effect of Cataract Grade according to Wide-Field Fundus Images on Measurement of Macular Thickness in Cataract Patients. Korean Journal of Ophthalmology 32, (2018).

shijianjian. EfficientNet-PyTorch-3D. github.com. Updated July 20, 2021. Accessed May 10, 2022. https://github.com/shijianjian/EfficientNet-PyTorch-3D (2021).

Tan, M. & Le, Q. v. EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks. arXiv preprint:1905.11946 (2019).

Akashi, A. et al. The ability of SD-OCT to differentiate early glaucoma with high myopia from highly myopic controls and nonhighly myopic controls. Investigative Ophthalmology and Visual Science 56, (2015).

Sezgin Akcay, B. I., Gunay, B. O., Kardes, E., Unlu, C. & Ergin, A. Evaluation of the Ganglion Cell Complex and Retinal Nerve Fiber Layer in Low, Moderate, and High Myopia: A Study by RTVue Spectral Domain Optical Coherence Tomography. Seminars in Ophthalmology 32, (2017).

ダウンロード

公開済


投稿日時: 2022-09-20 04:54:45 UTC

公開日時: 2022-09-27 00:12:15 UTC

バージョン

改版理由

研究分野
一般医学・社会医学・看護学