ADAPTIVE OPTICS RETINAL IMAGESにおける自動円錐体検出のための空間的に情報化されたCNN

SPATIALLY INFORMED CNN FOR AUTOMATED CONE DETECTION IN ADAPTIVE OPTICS RETINAL IMAGES.

• Heng Jin
• Jessica I W Morgan
• James C Gee
• Min Chen

抄録

適応光学（AO）走査型レーザー眼鏡検査は、ヒトのコーンモザイクの細胞レベルのインビボイメージングを提供します。AO画像におけるコーン光受容体密度の既存の解析では、コーン細胞を正確に同定する必要があり、これは時間と労力のかかる作業である。最近では、畳み込みニューラルネットワーク（CNN）を用いたAO網膜画像におけるコーンの自動検出のためのいくつかの手法が導入されている。しかし、これらの手法は、網膜の異なる位置から発信されたAO画像に適用した場合、偏心に伴うコーンモザイクの反射率や配置の変化により、コーンを正しく識別する能力に限界があった。これらの制限に対処するために、空間情報をネットワークに直接組み込むCNNアーキテクチャを提案する。我々のアプローチは、条件付き生成的敵対的ネットワークに触発され、各AO画像が取得された網膜の位置をトレーニングの一部として埋め込む。根拠となる真実としての手動コーン識別を使用して、我々の評価は、網膜の中央部と周辺部のコーンを検出する際に、既存のアプローチよりも一般的な改善を示しているが、葉面付近ではパフォーマンスが低下していた。

Adaptive optics (AO) scanning laser ophthalmoscopy offers cellular level in-vivo imaging of the human cone mosaic. Existing analysis of cone photoreceptor density in AO images require accurate identification of cone cells, which is a time and labor-intensive task. Recently, several methods have been introduced for automated cone detection in AO retinal images using convolutional neural networks (CNN). However, these approaches have been limited in their ability to correctly identify cones when applied to AO images originating from different locations in the retina, due to changes to the reflectance and arrangement of the cone mosaics with eccentricity. To address these limitations, we present an adapted CNN architecture that incorporates spatial information directly into the network. Our approach, inspired by conditional generative adversarial networks, embeds the retina location from which each AO image was acquired as part of the training. Using manual cone identification as ground truth, our evaluation shows general improvement over existing approaches when detecting cones in the middle and periphery regions of the retina, but decreased performance near the fovea.