リケラボ論文検索は、全国の大学リポジトリにある学位論文・教授論文を一括検索できる論文検索サービスです。

リケラボ 全国の大学リポジトリにある学位論文・教授論文を一括検索するならリケラボ論文検索大学・研究所にある論文を検索できる

リケラボ 全国の大学リポジトリにある学位論文・教授論文を一括検索するならリケラボ論文検索大学・研究所にある論文を検索できる

大学・研究所にある論文を検索できる 「Automated evaluation of retinal pigment epithelium disease area in eyes with age-related macular degeneration」の論文概要。リケラボ論文検索は、全国の大学リポジトリにある学位論文・教授論文を一括検索できる論文検索サービスです。
リケラボ

コピーが完了しました

URLをコピーしました

論文の公開元へ論文の公開元へ
書き出し

Automated evaluation of retinal pigment epithelium disease area in eyes with age-related macular degeneration

Motozawa, Naohiro 京都大学 DOI:10.14989/doctor.k23813

2022.03.23

概要

網膜色素上皮（RPE）は、網膜の視細胞の生存と機能に不可欠である。RPE の機能障害は、加齢黄斑変性症（AMD）をはじめとするさまざまな網膜疾患の原因となる。現在、RPE 機能不全を契機とした疾患に対する ES/iPS 細胞由来の RPE 細胞移植の臨床研究が進められている。病気の進行や RPE 移植の治療効果を評価するためには、病変部の RPE 面積を定量化することが重要である。RPE の病変部位を評価するために日常的に行われている臨床検査として眼底自発蛍光（FAF）検査とフルオレセイン血管造影（FA）が、行われている。 iPSC-RPE 移植細胞は、これまでの既報では、FAFの代わりに FA 画像を用いて iPSC-RPE 移植細胞の生着が手動で評価されている。FA画像を用いて RPE 病変面積を自動的に定量比較した報告はない。困難な理由として、RPE 病変部を表す FA 画像上の病的過蛍光領域が斑状であること、境界不明瞭であること、違う日に撮影した FA 画像が顔や目の傾きにより回転、傾斜、拡大されていること、画像に輝度の傾斜があること、などがある。この問題を解決するために、RPE病変面積の経時変化を客観的かつ効率的に定量化できる 2 ステップのソフトウェアを開発した。ソフトウェアの処理ステップは以下の通りに開発した。2 枚の比較 FA 画像の対応する特徴点を抽出して大きさと位置を調整し、輝度補正する。2 人の眼科医により RPE 異常領域をアノテーションした 953 枚の画像（健常眼 202 枚、AMD 眼 751枚）をトレーニング画像に、10 枚の疾患画像を検証画像に割り当てた。深層学習した学習モデルにより RPE 異常領域（Mask 領域）を予測する。両画像の総和である Mask領域を両画像に適用し、カスタマイズされた二値化処理を用いて、各画像の斑状の病的過蛍光面積（RPE 病変面積）（Score）の画素数の合計を算出した。2 つの画像ペアの Score を差し引くことで，正常な血管領域を含む変化のない過蛍光領域を差し引いた 差分 RPE 病変面積を評価した。開発プログラムを性能検証するために、まず、同一眼同一日の別画像（53 画像ペア）を評価し、ばらつきを確認した。その後、2 回の異なる診察日での AMD 患者画像（54 ペア）でのスコアを眼科医の変化評価 3 段階と比較した。数年間にわたる経時変化画像に適用し、病気の進行を定量的に評価した。さらに、iPSC-RPE 移植データの 1 例と中心性漿液性脈絡網膜症（CSC）にこの方法を適用し、RPE 病変領域を持つ疾患にこのソフトウェアがどのように機能するかを示した。深層学習の RPE 異常領域（Mask 領域）の予測は、感度 0.80、特異度 0.96 の結果であった。同一眼同一日に対するプログラムの性能は，3.1±7.8%（平均±標準偏差）の誤差内であった。進行 AMD で、2 つの異なる診察日に撮影された FA 画像差分面積は人間の差分評価と統計的に有意であった（Jonckheere-Terpstra トレンド検定、p = 0.00005616）。本手法は、RPE 病変部の経時変化の定量化、iPSC-RPE 移植画像の評価、AMD 以外の疾患にも適用可能であった。

本プログラムは、複数の時点で撮影された画像は、明るさ、コントラスト、位置ずれなどがあり、RPE 病変部が斑状、境界不明瞭である問題点を既存のプログラムを適切に組み合わせることで対応した。日常診療における RPE 病変部の臨床経過の評価に貢献し、研究者の負担を軽減することが期待される。

論文の公開元へ

この論文で使われている画像

関連論文

関連論文をもっと見る

参考文献

1. Strauss, O. Te retinal pigment epithelium in visual function. Physiol. Rev. 85, 845–881 (2005).

2. Kalatzis, V., Hamel, C. P., MacDonald, I. M., First International Choroideremia Research Symposium. Choroideremia: Towards a therapy. Am. J. Ophthalmol. 156, 433-437.e3 (2013).

3. Morimura, H. et al. Mutations in the RPE65 gene in patients with autosomal recessive retinitis pigmentosa or Leber congenital amaurosis. Proc. Natl. Acad. Sci. 95, 3088–3093 (1998).

4. Uyama, H., Mandai, M. & Takahashi, M. Stem-cell-based therapies for retinal degenerative diseases: Current challenges in the establishment of new treatment strategies. Dev. Growth Difer. 63, 59–71 (2021).

5. Gao, Y., Yu, T., Zhang, Y. & Dang, G. Anti-VEGF monotherapy versus photodynamic therapy and Anti-VEGF combination treatment for neovascular age-related macular degeneration: A meta-analysis. Invest. Ophthalmol. Vis. Sci. 59, 4307–4317 (2018).

6. Lim, L. S., Mitchell, P., Seddon, J. M., Holz, F. G. & Wong, T. Y. Age-related macular degeneration. Lancet 379, 1728–1738 (2012).

7. Rofagha, S. et al. Seven-year outcomes in ranibizumab-treated patients in ANCHOR, MARINA, and HORIZON: A multicenter cohort study (SEVEN-UP). Ophthalmology 120, 2292–2299 (2013).

8. Sugita, S. et al. HLA-matched allogeneic iPS cells-derived RPE transplantation for macular degeneration. J. Clin. Med. Res. 9, 2217 (2020).

9. Binder, S. et al. Outcome of transplantation of autologous retinal pigment epithelium in age-related macular degeneration: A prospective trial. Invest. Ophthalmol. Vis. Sci. 45, 4151–4160 (2004).

10. Van Meurs, J. C. et al. Autologous peripheral retinal pigment epithelium translocation in patients with subfoveal neovascular membranes. Br. J. Ophthalmol. 88, 110–113 (2004).

11. Mandai, M. et al. Autologous induced stem-cell-derived retinal cells for macular degeneration. N. Engl. J. Med. 376, 1038–1046 (2017).

12. Schmitz-Valckenberg, S., Holz, F. G., Bird, A. C. & Spaide, R. F. Fundus autofuorescence imaging: Review and perspectives. Retina 28, 385–409 (2008).

13. Sun, G. et al. Automatic measurement of global retinal circulation in fuorescein angiography. J. Biomed. Opt. 23, 1–8 (2018).

14. Gu, H. et al. Deep learning for identifying corneal diseases from ocular surface slit-lamp photographs. Sci. Rep. 10, 17851 (2020).

15. Jin, K. et al. Automatic detection of non-perfusion areas in diabetic macular edema from fundus fuorescein angiography for decision making using deep learning. Sci. Rep. 10, 15138 (2020).

16. Fang, L. et al. Automatic segmentation of nine retinal layer boundaries in OCT images of non-exudative AMD patients using deep learning and graph search. Biomed. Opt. Express 8, 2732–2744 (2017).

17. De Fauw, J. et al. Clinically applicable deep learning for diagnosis and referral in retinal disease. Nat. Med. 24, 1342–1350 (2018).

18. Ting, D. S. W. et al. Development and validation of a deep learning system for diabetic retinopathy and related eye diseases using retinal images from multiethnic populations with diabetes. JAMA 318, 2211–2223 (2017).

19. Motozawa, N. et al. Optical coherence tomography-based deep-learning models for classifying normal and age-related macular degeneration and exudative and non-exudative age-related macular degeneration changes. Ophthalmol Terapy 8, 527–539 (2019).

20. Ronneberger, O., Fischer, P. & Brox, T. U-Net: Convolutional Networks for Biomedical Image Segmentation. In Medical Image Computing and Computer-Assisted Intervention: MICCAI 2015 234–241 (Springer International Publishing, 2015).

21. Rosten, E. & Drummond, T. Fusing points and lines for high performance tracking. In Tenth IEEE International Conference on Computer Vision (ICCV’05) Volume 1 vol. 2 1508–1515 Vol. 2 (2005).

22. Calonder, M., Lepetit, V., Strecha, C. & Fua, P. BRIEF: Binary Robust Independent Elementary Features. In Computer Vision: ECCV 2010 778–792 (Springer, Berlin, 2010).

23. Fischler, M. A. & Bolles, R. C. Random sample consensus: a paradigm for model ftting with applications to image analysis and automated cartography. Commun. ACM 24, 381–395 (1981).

24. Wu, H. et al. SCS-Net: A scale and context sensitive network for retinal vessel segmentation. Med. Image Anal. 70, 102025 (2021).

参考文献をもっと見る