Evaluation of deep convolutional neural networks for glaucoma detection

緑内障を眼底画像から判定する深層学習について、RCMB と日本眼科学会との共同研究の成果を Japanese Journal of Ophthalmology 誌へ論文発表しました。NII 佐藤研究室の Phan さんの研究です。

眼底のカラー画像3,312枚を3種類の畳み込み深層ニューラルネットワーク (deep convolutional neural networks, DCNNs) に学習させ、緑内障を判別する DCNN の性能比較と同時に、画像の解像度や画質が判別の性能に及ぼす影響を調べました。眼底画像の内訳は369眼の緑内障、256眼の緑内障疑い、2,687眼の正常眼で、いずれも眼科医による診断を正解としています。DCNN には VGG19、ResNet152、DenseNet201 を使っています。画像の解像度は512x512と256x256を設定し、画質による影響を検討する実験では465画像の低品質 (コントラスト不良など) 画像を追加しています。

いずれの DCNN も0.9以上の AUC (areas under the curve) を示し、画像解像度による判別性能への影響はほとんど観察されませんでした。低品質画像の判別ではいずれの DCNN も顕著に性能が低下 (AUC で0.1〜0.2の低下) しました。ヒートマップによる観察では、いずれの DCNN も視神経乳頭の領域に高い寄与率を認めました。学習に用いる画像の枚数を10倍すると約0.1の AUC 改善を観察し、深層学習では DCNN の種類よりも学習データの数が重要であることを再確認しました。

Sang Phan, Shin’ichi Satoh, Yoshioki Yoda, Kenji Kashiwagi*, Tetsuro Oshika and The Japan Ocular Imaging Registry Research Group

Evaluation of deep convolutional neural networks for glaucoma detection

Japanese Journal of Ophthalmology, May 2019, Volume 63, Issue 3, pp 276–283

Abstract

Purpose To investigate the performance of deep convolutional neural networks (DCNNs) for glaucoma discrimination using color fundus images
Study design A retrospective study
Patients and methods To investigate the discriminative ability of 3 DCNNs, we used a total of 3312 images consisting of 369 images from glaucoma-confirmed eyes, 256 images from glaucoma-suspected eyes diagnosed by a glaucoma expert, and 2687 images judged to be nonglaucomatous eyes by a glaucoma expert. We also investigated the effects of image size on the discriminative ability and heatmap analysis to determine which parts of the image contribute to the discrimination. Additionally, we used 465 poor-quality images to investigate the effect of poor image quality on the discriminative ability.
Results Three DCNNs showed areas under the curve (AUCs) of 0.9 or more. The AUC of the DCNN using glaucoma-confirmed eyes against nonglaucomatous eyes was higher than that using glaucoma-suspected eyes against nonglaucomatous eyes by approximately 0.1. The image size did not affect the discriminative ability. Heatmap analysis showed that the optic disc area was the most important area for the discrimination of glaucoma. The image quality affected the discriminative ability, and the inclusion of poor-quality images in the analysis reduced the AUC by 0.1 to 0.2.
Conclusions DCNNs may be a useful tool for detecting glaucoma or glaucoma-suspected eyes by use of fundus color images. Proper preprocessing and collection of qualified images are essential to improving the discriminative ability.
Keywords Artificial intelligence Deep convolutional neural network Deep learning
Ocular fundus color image Glaucoma

*Corresponding Author

https://doi.org/10.1007/s10384-019-00659-6