文献

J-GLOBAL ID：201902258209469222   整理番号：19A2240890

光コヒーレンストモグラフィーとカラー眼底画像に基づく機械学習によるGlaucoma診断【JST・京大機械翻訳】

Glaucoma Diagnosis with Machine Learning Based on Optical Coherence Tomography and Color Fundus Images

著者 (14件)： An Guangzhou ( R&D Division, Topcon Corporation, Tokyo, Japan) ,  An Guangzhou ( Cloud-Based Eye Disease Diagnosis Joint Research Team, RIKEN Center for Advanced Photonics, RIKEN, Wako, Japan) ,  Omodaka Kazuko ( Tohoku University Graduate School of Medicine, Sendai, Japan) ,  Hashimoto Kazuki ( Tohoku University Graduate School of Medicine, Sendai, Japan) ,  Tsuda Satoru ( Tohoku University Graduate School of Medicine, Sendai, Japan) ,  Shiga Yukihiro ( Tohoku University Graduate School of Medicine, Sendai, Japan) ,  Takada Naoko ( Tohoku University Graduate School of Medicine, Sendai, Japan) ,  Kikawa Tsutomu ( R&D Division, Topcon Corporation, Tokyo, Japan) ,  Yokota Hideo ( R&D Division, Topcon Corporation, Tokyo, Japan) ,  Yokota Hideo ( Image Processing Research Team, RIKEN Center for Advanced Photonics, RIKEN, Wako, Japan) ,  Akiba Masahiro ( R&D Division, Topcon Corporation, Tokyo, Japan) ,  Akiba Masahiro ( Cloud-Based Eye Disease Diagnosis Joint Research Team, RIKEN Center for Advanced Photonics, RIKEN, Wako, Japan) ,  Nakazawa Toru ( Tohoku University Graduate School of Medicine, Sendai, Japan) ,  Nakazawa Toru ( Image Processing Research Team, RIKEN Center for Advanced Photonics, RIKEN, Wako, Japan)
資料名： Journal of Healthcare Engineering (Web)  (Journal of Healthcare Engineering (Web))
巻： 2019  ページ： Null  発行年： 2019年 
JST資料番号： U7772A  ISSN： 2040-2295  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： イギリス (GBR)  言語： 英語 (EN)

抄録/ポイント： 本研究は,三次元光コヒーレンストモグラフィー(OCT)データとカラー眼底画像に基づいて,開放隅角緑内障患者における緑内障診断のための機械学習ベースのアルゴリズムを開発することを目的とした。本研究では,208人の緑内障および149人の健康な眼を登録し,これらの眼の視神経乳頭および黄斑領域からのカラー眼底画像および容積OCTデータを,スペクトル領域OCT(3D OCT-2000,Topcon)で撮影した。セグメンテーションアルゴリズムにより,厚さと偏差マップを作成した。畳込みニューラルネットワーク(CNN)の伝達学習を次のタイプの入力画像で用いた。(1)グレースケールフォーマットにおける視神経乳頭の基底画像,(2)円板網膜神経線維層(RNFL)厚さマップ,(3)黄斑神経節細胞複合体(GCC)厚さマップ,(4)円板RNFL偏差マップ,(5)黄斑GCC偏差マップ。CNNを訓練するために,データ増強とドロップアウトを行った。各CNNモデルからの結果を組み合わせるために,ランダムフォレスト(RF)を訓練し,各入力画像の特徴ベクトル表現を用いて,健常および緑内障眼のディスク基底画像を分類し,第二の完全接続層を除去した。10倍交差検証(CV)の受信者動作特性曲線(AUC)下面積を用いてモデルを評価した。CNNsの10倍CV AUCsは,カラー眼底画像に対して0.940,RNFL厚さマップに対して0.942,黄斑GCC厚さマップに対して0.944,ディスクRNFL偏差マップに対して0.949,黄斑GCC偏差マップに対して0.952であった。5つの別々のCNNモデルを組み合わせたRFは,10倍のCV AUCを0.963に改善した。したがって,ここで記述された機械学習システムは,OCTデータとカラー眼底画像から抽出された画像に基づいて,健常者と緑内障被験者の間を正確に区別することができる。このシステムは緑内障の診断精度を改善するのに役立つ。Copyright 2019 Guangzhou An et al. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： ヒト ,  *学習 ,  セグメンテーション ,  複合体 ,  *診断 ,  スペクトル ,  視神経円板 ,  黄斑 ,  *機械学習 ,  緑内障 ,  アルゴリズム ,  *画像
準シソーラス用語： 被験者 ,  健常者 ,  *眼底写真 ,  *光コヒーレンストモグラフィー , 【Automatic Indexing@JST】

分類 (1件)： 眼の診断  (GP02000N)

引用文献 (29件)：

• R. N. Weinreb, P. T. Khaw, "Primary open-angle glaucoma," The Lancet, vol. 363, no. 9422, pp. 1711-1720, 2004.
• M. A. Kass, D. K. Heuer, E. J. Higginbotham et al., "The ocular hypertension treatment study," Archives of Ophthalmology, vol. 120, no. 6, pp. 701-713, 2002.
• M. C. Leske, A. Heijl, L. Hyman et al., "Predictors of long-term progression in the early manifest glaucoma trial," Ophthalmology, vol. 114, no. 11, pp. 1965-1972, 2007.
• F. Badalà, K. Nouri-Mahdavi, D. A. Raoof, N. Leeprechanon, S. K. Law, J. Caprioli, "Optic disk and nerve fiber layer imaging to detect glaucoma," American Journal of Ophthalmology, vol. 144, no. 5, pp. 724-732, 2007.
• R. Lisboa, A. Paranhos Jr, R. N. Weinreb, L. M. Zangwill, M. T. Leite, F. A. Medeiros, "Comparison of different spectral domain OCT scanning protocols for diagnosing preperimetric glaucoma," Investigative Opthalmology & Visual Science, vol. 54, no. 5, pp. 3417-3425, 2013.

タイトルに関連する用語 (5件)： 光コヒーレンストモグラフィー ,  カラー ,  眼底画像 ,  機械学習 ,  診断