[論文レビュー] Automated OCT Segmentation for Images with DME

Sohini Roychowdhury, Dara D. Koozekanani+2 more|arXiv (Cornell University)|Oct 24, 2016

Retinal Imaging and Analysis参考文献 14被引用数 4

ひとこと要約

本論文は、糖尿病性網膜症に起因する網膜剥離症例の光学干渉断層画像（OCT）において、網膜下表面および層の自動分離を実現するコンピュータ支援診断（CAD）システムを提示する。本手法は、新規のフーリエ領域ウィーナー畳み込みノイズ除去法とモデルベース分離アルゴリズムを組み合わせ、網膜下層厚さ推定において高い相関（r ≥ 0.7、R² ≥ 0.5）を達成しており、異常画像では平均誤差が2–18 μmにとどまり、ウェーブレットベースのノイズ除去法に比べて分離精度が向上している。

ABSTRACT

This paper presents a novel automated system that segments six sub-retinal layers from optical coherence tomography (OCT) image stacks of healthy patients and patients with diabetic macular edema (DME). First, each image in the OCT stack is denoised using a Wiener deconvolution algorithm that estimates the additive speckle noise variance using a novel Fourier-domain based structural error. This denoising method enhances the image SNR by an average of 12dB. Next, the denoised images are subjected to an iterative multi-resolution high-pass filtering algorithm that detects seven sub-retinal surfaces in six iterative steps. The thicknesses of each sub-retinal layer for all scans from a particular OCT stack are then compared to the manually marked groundtruth. The proposed system uses adaptive thresholds for denoising and segmenting each image and hence it is robust to disruptions in the retinal micro-structure due to DME. The proposed denoising and segmentation system has an average error of 1.2-5.8 $μm$ and 3.5-26$μm$ for segmenting sub-retinal surfaces in normal and abnormal images with DME, respectively. For estimating the sub-retinal layer thicknesses, the proposed system has an average error of 0.2-2.5 $μm$ and 1.8-18 $μm$ in normal and abnormal images, respectively. Additionally, the average inner sub-retinal layer thickness in abnormal images is estimated as 275$μm (r=0.92)$ with an average error of 9.3 $μm$, while the average thickness of the outer layers in abnormal images is estimated as 57.4$μm (r=0.74)$ with an average error of 3.5 $μm$. The proposed system can be useful for tracking the disease progression for DME over a period of time.

研究の動機と目的

• DME患者のOCT画像における網膜下表面および層の正確な自動分離を実現するCADシステムの開発。
• DME重症度の臨床的評価のための網膜下層厚さ推定の信頼性を向上させること。
• 新規のフーリエ領域ノイズ除去法と既存のウェーブレットベースのノイズ除去法（CDWT）の性能を比較し、分離精度の向上を検証すること。
• 自動化された厚さマップ作成により、DME進行の迅速かつ効率的な検出とモニタリングを可能にすること。
• 治療反応評価のためのマクロスコピック厚さを超える、堅牢で再現性のある指標を提供することで、臨床研究を支援すること。

提案手法

• フーリエ領域構造的誤差に基づくウィーナー畳み込みアルゴリズムを用いて、ノイズパラメータを推定し、OCT画像をノイズ除去することで、信号対雑音比（SNR）を12 dB以上向上させる。
• ノイズ除去後の画像に対して、最適化された表面フィッティングを用いたモデルベース分離手法を適用し、7つの網膜下表面および6つの網膜下層を同定する。
• 背景ノイズを低減しながら網膜下エッジ構造を保持し、PSNRが23.5 dBに達する。
• 手動分離との相関係数（r）および決定係数（R²）を用いて、分離性能を評価する。
• MATLABを用いて、2.53 GHz Intel Core i3プロセッサと3 GB RAMを搭載した環境でシステムを実装し、1枚のOCT画像を35秒未満で処理できる。
• 縦断的評価のため、OCT画像スタック全体にわたる層厚さ分布を統合して厚さマップを生成する。

実験結果

リサーチクエスチョン

• RQ1 提案されたフーリエ領域ノイズ除去法は、DMEを有するOCT画像において、CDWTウェーブレットベースの手法と比較して網膜下表面分離精度を向上させるか？
• RQ2 提案された分離アルゴリズムを用いた自動および手動による網膜下層厚さ測定の相関はいかほどか？
• RQ3 提案されたノイズ除去および分離パイプラインを用いた場合、正常画像とDME影響下の画像における分離精度の差はどの程度か？
• RQ4 ノイズ除去の品質が、病理的画像における平均および分布的網膜下層厚さ推定にどの程度影響を与えるか？
• RQ5 提案されたCADシステムは、正常およびDME影響下のOCT画像の両方において、r ≥ 0.7およびR² ≥ 0.5を達成して網膜下層厚さを信頼性高く推定できるか？

主な発見

• 提案されたフーリエ領域ノイズ除去法は、SNRを12 dB以上向上させ、PSNRが23.5 dBに達する。PSNRが低いにもかかわらず、CDWTを上回る分離精度を達成している。
• CDWTと比較して、提案されたノイズ除去法は網膜下エッジをよりよく保持しており、CDWTはエッジを平滑化し分離の信頼性を低下させる。
• 異常画像において、提案手法は平均網膜下層厚さ推定誤差が2–18 μmにとどまり、r ≥ 0.7およびR² ≥ 0.5を達成している。
• CDWTベースの手法は、特に異常画像において、厚さ分布推定において顕著に低い相関（rが0.23まで低下）およびR²（0.1まで低下）を示している。
• 提案された分離アルゴリズムは、正常画像では誤差0–2 μmの堅牢な性能を示し、異常画像では誤差2–18 μmの妥当な性能を示しており、ノイズ除去のp値は< 0.001、CDWTベース分離のp値は< 0.01であった。
• 本システムは、標準のラップトップで1枚のOCT画像を35秒未満で処理でき、DMEのモニタリングおよび研究への実用的導入が可能である。