[論文レビュー] ADC-Net: An Open-Source Deep Learning Network for Automated Dispersion Compensation in Optical Coherence Tomography

Shaiban Ahmed, David Le+8 more|arXiv (Cornell University)|Jan 29, 2022

Retinal Imaging and Analysis被引用数 4

ひとこと要約

ADC-Net は、再設計された U-Net アーキテクチャに基づくオープンソースのディープラーニングフレームワークであり、部分的に補正された入力を用いて完全に補正された Bスキャンを予測することで、光学干渉断層画像法（OCT）における分散補正を自動化する。5つの入力チャネルで最適な性能を達成し、PSNR および MS-SSIM で測定された画像品質が向上し、網膜OCT画像におけるロバストで自動化された解像度向上を可能にする。

ABSTRACT

Chromatic dispersion is a common problem to degrade the system resolution in optical coherence tomography (OCT). This study is to develop a deep learning network for automated dispersion compensation (ADC-Net) in OCT. The ADC-Net is based on a redesigned UNet architecture which employs an encoder-decoder pipeline. The input section encompasses partially compensated OCT B-scans with individual retinal layers optimized. Corresponding output is a fully compensated OCT B-scans with all retinal layers optimized. Two numeric parameters, i.e., peak signal to noise ratio (PSNR) and structural similarity index metric computed at multiple scales (MS-SSIM), were used for objective assessment of the ADC-Net performance. Comparative analysis of training models, including single, three, five, seven and nine input channels were implemented. The five-input channels implementation was observed as the optimal mode for ADC-Net training to achieve robust dispersion compensation in OCT

研究の動機と目的

• 光学干渉断層画像法（OCT）における解像度低下の主な要因である色収差分散に対処すること。
• 手動によるチューニングや主観的な調整を排除する、自動化されたディープラーニングベースの分散補正ソリューションを開発すること。
• 部分的に補正された入力から完全に補正された B スキャンを予測することで、網膜のすべての層における画像品質を最適化すること。
• ディープラーニングモデルの訓練に最適な入力チャネル数を評価および同定すること。

提案手法

• ADC-Net は、部分的に補正されたOCT Bスキャンから完全に補正されたOCT Bスキャンへのマッピングを学習する、変更されたU-Netエンコーダデコーダアーキテクチャを採用している。
• 入力は、個々の網膜層が事前に分散補正済みの複数のOCT Bスキャンで構成され、ネットワークが残差補正を学習できるようにしている。
• 再構成誤差を最小化する損失関数を用いて訓練され、性能はPSNRおよびマルチスケール構造的類似性（MS-SSIM）で評価されている。
• ロバストな性能を得るための最適な入力次元を特定するために、5種類の異なる入力構成（1、3、5、7、9チャネル）がテストされた。
• モデルは実際のOCTデータ上でエンドツーエンドに訓練され、網膜のすべての層にわたる完全な解像度の回復を目的としている。
• フレームワークはオープンソースとしてリリースされており、再現性が保たれ、臨床および研究ワークフローへの統合が可能である。

実験結果

リサーチクエスチョン

• RQ1 ディープラーニングを用いたOCTにおける効果的な分散補正のための最適な入力チャネル数は何か？
• RQ2 ディープラーニングモデルは、手動による介入なしに、多様なOCT Bスキャンに対して一貫性があり、客観的な分散補正を達成できるか？
• RQ3 PSNR や MS-SSIM といった画像品質指標において、ADC-Netモデルの性能は従来の手法と比べてどのように異なるか？
• RQ4 U-Netベースのアーキテクチャは、OCTにおける自動分散補正の正確性とロバスト性をどの程度向上させるか？

主な発見

• 5つの入力チャネル構成が、PSNR および MS-SSIM の観点で最も優れた性能を示し、1、3、7、9チャネルのモデルを上回った。
• ADC-Net は、OCT Bスキャンの網膜のすべての層にわたる解像度の回復により、画像品質を顕著に向上させた。
• 多様なOCT画像データに対して、ロバストで一般化性の高い性能を示し、臨床応用への強い可能性を示した。
• 客観的指標（PSNR および MS-SSIM）により、予測された完全に補正された B スキャンが真値の品質に非常に近いことが確認され、モデルの有効性が妥当性を保証した。
• ADC-Net のオープンソースリリースにより、研究および臨床用途におけるOCT画像処理パイプラインへの広範な採用と統合が可能になった。