Neovascular age-related macular degeneration (nAMD) and central serous chorioretinopathy (CSC) are among the most common types of retinopathy, and they can affect patients’ quality of life. This study proposes a CNN-based deep learning model for classifying the subtypes of nAMD (PCV, RAP, and typical AMD) and CSC (chronic CSC and acute CSC) among normal participants using single spectral-domain optical coherence tomography (SD-OCT) images. The CNN-based deep learning model was trained and tested using 6,063 SD-OCT images obtained from 521 patients and 47 normal participants. To construct an accurate and robust image classification model, three well-known CNN architectures (VGG-16, VGG-19, and ResNet) and two customized classification layers were used: 1) a fully-connected layer and 2) global average pooling. In addition, transfer learning on the ImageNet dataset and mix-up-based data augmentation were applied to improve the robustness and accuracy of the proposed model. The model proposed in this study showed a high classification accuracy of 99.7% and 91.1% in the nAMD and CSC classification and in the retinopathy (nAMD and CSC) subtype classification, respectively, involving normal participants. Additionally, an external test was performed using an external test dataset (379 SD-OCT images) to evaluate the difference in performance between the proposed model and eight ophthalmologists, and the proposed model demonstrated the highest classification accuracy. The region that the model determined to be important for classification was confirmed using Grad-CAM. Its clinical criteria are similar to those of ophthalmologists. Based on these results, the proposed model is expected to assist ophthalmologists in future clinical trials.
신생혈관성 연령관련 황반변성(nAMD)과 중심장액 맥락 망막병증 (CSC)은 가장 흔히 발병되는 망막병증으로 환자들의 삶의 질을 저하시킬 수 있다. 이 연구는 단일 스펙트럼 영역 광간섭 단층촬영(SD-OCT) 이미지를 사용하여 정상군과 nAMD의 하위 유형 (PCV, RAP, Typical AMD) 및 CSC의 하위 유형(만성 CSC 및 급성 CSC)을 분류하는 CNN 기반 딥러닝 모델을 제안한다. 제안된 CNN 기반 딥러닝 모델은 521명의 환자와 47명의 정상군으로 부터 추출된 6,063 SD-OCT 이미지를 기반으로 훈련 및 검증되었다. 정확하고 강건한 이미지 분 류 모델을 생성하기 위해 잘 알려진 3개의 CNN 아키텍처(VGG-16, VGG-19, Resnet)와 2 개의 맞춤형 분류 계층 1) fully connected layer 2) Global Average Pooling이 사용되었다. 추가적으로 ImageNet에 대한 전이 학습과 mix-up 기반 데이터 증강 기법을 적용하여 모델 의 강건함과 분류 정확도를 개선하였다. 최종적으로 제안된 모델은 정상군을 포함한 nAMD 와 CSC 분류 및 망막병증(nAMD 및 CSC) 하위 유형 분류에서 각각 99.7%, 91.1%의 높은 분류 정확도를 보였다. 또한, 모델과 8명의 안과 전문의 간의 분류 정확도를 평가하기 위해 추가적으로 수집한 테스트 데이터 세트(379 SD-OCT)를 기반으로 추가적인 분류 테스트를 수행했으며, 이번 연구에서 제안된 모델이 가장 높은 분류 정확도를 기록하였다. 추가적으로 제안된 모델이 망막병증 분류에서 중요하다고 판단한 영역을 Grad-CAM을 통해 확인하였다. 이를 통해, 실제 안과전문의가 임상에서 사용하는 판단기준과 유사한 것을 볼 수 있었다. 본 연구를 바탕으로 제안된 모델이 향후 실제 임상에서 안과의사의 진단을 돕는 보조적 역할을 수행할 수 있을 것으로 기대한다.