[論文レビュー] Domain knowledge assisted cyst segmentation in OCT retinal images

Karthik Gopinath, Jayanthi Sivaswamy|arXiv (Cornell University)|Dec 8, 2016

Retinal Imaging and Analysis参考文献 12被引用数 6

ひとこと要約

本論文は、前処理、MSERに基づく候補領域検出、およびランダムフォレスト分類を組み合わせた、ドメイン知識を統合した生物学的にインspiredな手法を提案し、3DスペクトルドメインOCT網膜画像における自動線維腫瘍セグメンテーションを実現する。MICCAI 2015トレーニングデータセットにおいて、平均Dice係数は0.3893を達成したが、小さなノイズの多い線維腫瘍の検出には顕著な課題が存在する。

ABSTRACT

3D imaging modalities are becoming increasingly popular and relevant in retinal imaging owing to their effectiveness in highlighting structures in sub-retinal layers. OCT is one such modality which has great importance in the context of analysis of cystoid structures in subretinal layers. Signal to noise ratio(SNR) of the images obtained from OCT is less and hence automated and accurate determination of cystoid structures from OCT is a challenging task. We propose an automated method for detecting/segmenting cysts in 3D OCT volumes. The proposed method is biologically inspired and fast aided by the domain knowledge about the cystoid structures. An ensemble learning methodRandom forests is learnt for classification of detected region into cyst region. The method achieves detection and segmentation in a unified setting. We believe the proposed approach with further improvements can be a promising starting point for more robust approach. This method is validated against the training set achieves a mean dice coefficient of 0.3893 with a standard deviation of 0.2987

研究の動機と目的

• ノイズの多い3D OCTボリュームにおける自動線維腫瘍セグメンテーションの課題に取り組むこと、特に線維腫瘍性黄斑浮腫（CME）を対象とする。
• 網膜線維腫瘍の形態と空間的分布に関する生物学的知識を統合することで、検出精度を向上させること。
• 画像前処理、領域候補選択、および教師あり分類を組み合わせたマルチステージパイプラインにより、誤検出を低減すること。
• 多様なOCTスキャナーや画像品質条件に対応した、高速で統合的な線維腫瘍の検出とセグメンテーションを可能にすること。

提案手法

• 4種類の異なるスキャナータイプにわたって入力OCTボリュームを512×256ピクセルに標準化して一貫性を確保する。
• 網膜層の区分的定数性を活用し、エッジを保持しながらスペックルノイズを低減するため、全変動ノイズ除去を適用する。
• マルチスケール設定での中心-周囲差分フィルタリングを用い、局所的最小値を検出することで、線維腫瘍領域の暗い外観をモデル化する。
• グラフベース手法を用いて内界膜（ILM）および網膜色素上皮（RPE）をセグメンテーションし、探索空間を制約する。
• 事前のスムージングなしに複数スケールで最大安定極値領域（MSER）を抽出し、候補線維腫瘍領域を検出する。
• MSER領域の周囲のバウンディングボックスから局所的テクスチャ記述子を抽出し、50本の決定木から成るランダムフォレスト分類器をトレーニングすることで、真の線維腫瘍と偽陽性を区別する。

実験結果

リサーチクエスチョン

• RQ1 網膜線維腫瘍形態に関するドメイン知識は、低SNRのOCT画像における自動セグメンテーションを改善できるか？
• RQ2 MSERに基づく候補領域検出は、多様なOCTスキャナータイプおよび画像品質において線維腫瘍に類似した領域を効果的に同定できるか？
• RQ3 ランダムフォレスト分類は、真陽性を保持しつつ、線維腫瘍検出における誤検出をどの程度低減できるか？
• RQ4 なぜ本手法は小さな線維腫瘍で性能を発揮できないのか？ノイズは検出性能にどのように影響を与えるか？

主な発見

• 本手法は全15件のトレーニングボリュームにおいて平均Dice係数0.3893を達成し、標準偏差は0.2987であった。
• ランダムフォレストフィルタリング後、小さな線維腫瘍の検出率（27.83%）は中程度（51.18%）および大きな線維腫瘍（76.10%）と比べ顕著に低かった。
• 低スコアの主な要因は、小さな線維腫瘍がスペックルノイズと区別がつかないための検出不能に起因する。
• MSER特徴量は小さな線維腫瘍の61.76%を検出できたが、ランダムフォレスト分類器がその多くを除外したため、全体の検出性能が著しく低下した。
• 検出数がゼロのスライスを除くと、Spectralisでは平均Dice係数0.6652、Cirrusでは0.5606、Topconでは0.5357、Nidekでは0.5957を達成した。
• 本手法の性能は、MSER領域と正解線維腫瘍との部分的重複に起因する制限を受けており、特に中程度の線維腫瘍に対して顕著であった。