[論文レビュー] A Generalized Motion Pattern and FCN based approach for retinal fluid detection and segmentation

Shivin Yadav, Karthik Gopinath+1 more|arXiv (Cornell University)|Dec 4, 2017

Retinal Imaging and Analysis参考文献 3被引用数 13

ひとこと要約

本稿では、一般化運動パターン（GMP）特徴に基づく段階的畳み込みニューラルネットワーク（FCN）を駆動として用い、スキャナに依存しない完全自動化されたSD-OCTスキャンにおける網膜内液体の検出およびセグメンテーション手法を提案する。GMPは、複数方向への画像変換と最小プーリングを適用することで、液体異常を強調し、ノイズを抑制し、多様なスキャナ間で堅牢なセグメンテーションを実現する。IRF、SRF、PEDのそれぞれに対して、平均Diceスコアは0.61、0.70、0.73を達成し、検出ではAUCが0.85、0.84、0.87を示した。

ABSTRACT

SD-OCT is a non-invasive cross-sectional imaging modality used for diagnosis of macular defects. Efficient detection and segmentation of the abnormalities seen as biomarkers in OCT can help in analyzing the progression of the disease and advising effective treatment for the associated disease. In this work, we propose a fully automated Generalized Motion Pattern(GMP) based segmentation method using a cascade of fully convolutional networks for detection and segmentation of retinal fluids from SD-OCT scans. General methods for segmentation depend on domain knowledge-based feature extraction, whereas we propose a method based on Generalized Motion Pattern (GMP) which is derived by inducing motion to an image to suppress the background.The proposed method is parallelizable and handles inter-scanner variability efficiently. Our method achieves a mean Dice score of 0.61,0.70 and 0.73 during segmentation and a mean AUC of 0.85,0.84 and 0.87 during detection for the 3 types of fluids IRF, SRF and PDE respectively.

研究の動機と目的

• SD-OCTスキャンにおける網膜内液体異常の完全自動化・スキャナに依存しない検出およびセグメンテーション手法の開発。
• ドメイン特化の特徴工学の限界を克服するため、一般化された運動ベースの特徴強調技術の導入。
• 異なるOCTスキャナ間でのセグメンテーション精度の向上と、スキャナ間での強度および解像度のばらつきに対する感受性の低減。
• GMP強調特徴で訓練された段階的FCNアーキテクチャを用いて、検出とセグメンテーションを統合。
• マルチスケールの後処理とボリュームレベルの整合性モデリングにより、誤検出の最小化。

提案手法

• SD-OCTボリュームを512×256にリサイズし、スペクトル全変動を用いたノイズ除去を行い、最も明るい列方向ピクセルを中心に256×256のROIを抽出する。
• 剛体変換（ステップサイズδ=1、範囲D=5）を複数の角度θで適用し、一般化運動パターン（GMP）画像を生成。その後、最小プーリングにより結果を統合することで、暗い液体領域を強調する。
• 複数方向のGMP画像のアンサンブルを構築し、液体の方向やサイズのばらつきに対してより頑健な性能を実現。
• 2段階の段階的FCNを訓練：最初の段階でスライス単位のセグメンテーションを実行し、2番目の段階で精緻化。損失関数に負のDice係数を用いる。
• 後処理として、予測値のしきい値処理、小さな連結成分の除去、強度空間におけるクラスタリングを実施し、誤検出を低減。
• k近傍法スライス解析（k=3）を用い、ボリューム全体で液体の存在を検出。3次元的持続性を活用することで、スライス単位のセグメンテーションのみに比べ、誤検出の低減を実現。

実験結果

リサーチクエスチョン

• RQ1 一般化運動パターン（GMP）は、SD-OCTスキャンにおける網膜内液体異常をノイズおよび背景構造を抑制しながら効果的に強調できるか？
• RQ2 GMP入力を用いた段階的FCNアーキテクチャは、従来のドメイン特化特徴ベースのセグメンテーション手法と比較して、精度および頑健性において優れているか？
• RQ3 本手法は、強度プロファイルや解像度が異なる複数のOCTスキャナベンダー間でどれほど一般化可能か？
• RQ4 本手法はなぜIRFに対してSRFやPEDと比べて精度が低くなるのか、これは後処理やモデル適応によって是正可能か？
• RQ5 隣接スライス間の液体存在のボリュームレベルの整合性を活用することで、スライス単位のセグメンテーションのみに比べ、検出の信頼性が向上するか？

主な発見

• 本手法は、全スキャナでIRF、SRF、PEDのセグメンテーションにおいて、それぞれ平均Diceスコア0.61、0.70、0.73を達成した。
• 検出タスクでは、IRF、SRF、PEDのそれぞれに対して平均AUCスコア0.85、0.84、0.87を示し、液体存在の同定において優れた性能を示した。
• 本手法は、スキャナ間のばらつきに対して頑健であり、Cirrus、Spectralis、TopconのOCTデバイス間で高水準のAUCおよびDiceスコアを維持した。
• IRFの性能はSRFやPEDに比べて低く、これはGMP構築過程でノイズに似た外観を持つIRFが強調されるためと推定される。
• 後処理により、小さな連結成分のフィルタリングと強度に基づくクラスタリングが行われ、セグメンテーションの整合性が向上した。
• ボリュームレベルの解析（k=3の隣接スライス）により、液体構造の3次元的持続性を活用し、検出の信頼性が向上し、誤検出が低減された。