[論文レビュー] Retinal Fluid Segmentation and Detection in Optical Coherence Tomography Images using Fully Convolutional Neural Network

Donghuan Lu, Morgan Heisler+4 more|arXiv (Cornell University)|Oct 13, 2017

Retinal Imaging and Analysis参考文献 2被引用数 26

ひとこと要約

本稿では、光学干渉断層画像（OCT）画像における網膜内液体のセグメンテーションと検出のための、完全畳み込みニューラルネットワーク（FCN）ベースのフレームワークを提案する。ILMおよびRPE層のセグメンテーションを用いて相対的距離マップを生成し、これを追加入力として用いる。本手法は、リモート・オプティカル・イメージング・コンsortium（RETOUCH）データベースを用いた1人を除いた交差検証において、液体セグメンテーションで平均Diceスコア0.7317、液体検出でAUC 0.985を達成した。

ABSTRACT

As a non-invasive imaging modality, optical coherence tomography (OCT) can provide micrometer-resolution 3D images of retinal structures. Therefore it is commonly used in the diagnosis of retinal diseases associated with edema in and under the retinal layers. In this paper, a new framework is proposed for the task of fluid segmentation and detection in retinal OCT images. Based on the raw images and layers segmented by a graph-cut algorithm, a fully convolutional neural network was trained to recognize and label the fluid pixels. Random forest classification was performed on the segmented fluid regions to detect and reject the falsely labeled fluid regions. The leave-one-out cross validation experiments on the RETOUCH database show that our method performs well in both segmentation (mean Dice: 0.7317) and detection (mean AUC: 0.985) tasks.

研究の動機と目的

• 3D OCT画像における網膜内液体の正確なセグメンテーションと検出を自動化する手法を開発すること。これは、糖尿病性黄斑浮腫やAMDなどの疾患の診断とモニタリングにおいて不可欠である。
• ILMおよびRPE層の位置から導出される相対的距離マップを用いて空間的文脈を統合することで、液体セグメンテーションの精度を向上させること。
• FCNが特定した候補領域に対してランダムフォレスト分類を適用することで、液体検出における誤検出を低減すること。
• Cirrus、Spectralis、Topconの複数のOCTデバイスを対象とし、RETOUCHデータベースを用いた1人を除いた交差検証戦略により、本手法の性能を評価すること。

提案手法

• 本手法は、生のOCT画像と相対的距離マップの両方を入力とするU-Netに類似した完全畳み込みニューラルネットワーク（FCN）を用いる。距離マップは、各ピクセルの垂直位置がILMおよびRPE層に対して相対的に表現されている。
• 相対的距離マップは、式 $ I(x,y) = \frac{y - Y_1(x)}{Y_1(x) - Y_2(x)} $ を用いて計算され、ここで $ Y_1(x) $ および $ Y_2(x) $ はそれぞれxにおけるILMおよびRPEのy座標を表す。
• FCNは収縮パスと拡張パスの間にスキップ接続を採用し、空間分解能の保持を図り、背景、網膜内液体（IRF）、網膜下液体（SRF）、色素上皮剥離（PED）の4チャンネル確率マップを出力する。
• 候補液体領域は、液体と分類されたピクセルを8近傍連結でグループ化することで特定され、これらの領域から抽出された特徴量を用いてランダムフォレスト分類器を学習させる。
• 体積内の液体存在は、各液体タイプについて10個の高いBスキャン確率の平均値を計算することで決定され、検出性能は受信者操作特性曲線（ROC）およびAUCを用いて評価される。

実験結果

リサーチクエスチョン

• RQ1 相対的距離マップによる空間的文脈の統合が、網膜OCT画像における液体セグメンテーション精度を向上させることができるか？
• RQ2 候補液体領域にランダムフォレスト分類を統合することで、誤検出の低減にどの程度効果的か？
• RQ3 本手法は、画像特性が異なる複数のOCT画像デバイス（Cirrus、Spectralis、Topcon）に一般化可能か？
• RQ4 限られたデータを用いた1人を除いた交差検証において、本手法のセグメンテーション精度および液体検出の信頼性はどの程度か？

主な発見

• 提案手法は、RETOUCHデータベースにおいて、全液体タイプおよび全OCTデバイスを対象として平均Diceスコア0.7317を達成した。
• 液体検出性能は、受信者操作特性曲線（AUC）の平均が0.985に達し、体積内での液体存在の同定において高い感度と特異度を示した。
• セグメンテーション性能の外れ値は、主に非常に小さな液体領域や重度の網膜湾曲に起因しており、極端な状況ではモデルの一般化能力が制限された。
• 手動セグメンテーションと自動セグメンテーションの絶対的体積差（AVD）には中程度のばらつきが見られ、液体タイプおよびデバイスによっては標準偏差が5.6k～390kピクセルの範囲に変動した。
• 本手法はCirrus、Spectralis、Topconの3種類の異なるOCTデバイスにおいても、一貫した性能を示し、強靭性を確認した。