[論文レビュー] Topology guaranteed segmentation of the human retina from OCT using convolutional neural networks

Yufan He, Aaron Carass+5 more|arXiv (Cornell University)|Mar 14, 2018

Retinal Imaging and Analysis参考文献 1被引用数 30

ひとこと要約

本論文では、分割ネットワーク（S-Net）に続く回帰ネットワーク（R-Net）を用いた段階的ディーブラーニングフレームワークを提案し、OCT画像におけるトポロジー保証型網膜層セグメンテーションを実現する。ReLU活性化関数を用いた層厚さの回帰により非負性を保証することで、特に中心窪部において解剖学的に正しい層順序が保証され、平均絶対境界誤差2.82 μmという最先端の精度を達成する。

ABSTRACT

Optical coherence tomography (OCT) is a noninvasive imaging modality which can be used to obtain depth images of the retina. The changing layer thicknesses can thus be quantified by analyzing these OCT images, moreover these changes have been shown to correlate with disease progression in multiple sclerosis. Recent automated retinal layer segmentation tools use machine learning methods to perform pixel-wise labeling and graph methods to guarantee the layer hierarchy or topology. However, graph parameters like distance and smoothness constraints must be experimentally assigned by retinal region and pathology, thus degrading the flexibility and time efficiency of the whole framework. In this paper, we develop cascaded deep networks to provide a topologically correct segmentation of the retinal layers in a single feed forward propagation. The first network (S-Net) performs pixel-wise labeling and the second regression network (R-Net) takes the topologically unconstrained S-Net results and outputs layer thicknesses for each layer and each position. Relu activation is used as the final operation of the R-Net which guarantees non-negativity of the output layer thickness. Since the segmentation boundary position is acquired by summing up the corresponding non-negative layer thicknesses, the layer ordering (i.e., topology) of the reconstructed boundaries is guaranteed even at the fovea where the distances between boundaries can be zero. The R-Net is trained using simulated masks and thus can be generalized to provide topology guaranteed segmentation for other layered structures. This deep network has achieved comparable mean absolute boundary error (2.82 μm) to state-of-the-art graph methods (2.83 μm).

研究の動機と目的

• 既存のディーブラーニング手法が自動セグメンテーション中に網膜層のトポロジーを保つことの制限を解決すること。
• トポロジー強制に手動で調整するグラフパラメータの必要性を排除し、トポロジカル制約をネットワークアーキテクチャに直接埋め込むこと。
• 厚さ回帰によって正しい層順序を保証する、高速でエンドツーエンドのディーブラーニングフレームワークを構築すること。
• シミュレーテッドマスクを用いた学習により、他の層状構造への一般化を可能とすること。
• 後処理を伴わず、トポロジカルに正しい正確なセグメンテーションを達成する。

提案手法

• 128×128の画像パッチ上で、U-Netベースの完全畳み込みネットワーク（S-Net）が網膜層のピクセル単位のラベル付けを実行する。
• 2番目のU-Netベースの回帰ネットワーク（R-Net）がS-Netの出力を入力とし、各空間位置における網膜層の厚さを予測する。
• R-Netの最終層にReLU活性化関数を適用することで、非負の厚さ予測を強制し、トポロジカルな順序を保証する。
• 境界位置は硝膜から脈絡膜への累積厚さの和を用いて再構築され、中心窪部で層間隔がゼロに近づいても層の階層が保持される。
• R-Netは、真値ラベルにノイズや欠損を加えることで生成されたシミュレーテッドセグメンテーションマスクを用いて学習され、耐性が向上する。
• 前処理としてブリュッハ膜検出、網膜の平坦化、クロッピングが行われ、1回の順伝播による全Bスキャンセグメンテーションが可能となる。

実験結果

リサーチクエスチョン

• RQ1 後処理のグラフ手法と手動で調整されたパラメータに依存せずに、ディーブラーニングフレームワークが網膜層のトポロジーを保証できるか？
• RQ2 ReLU活性化付きの厚さ回帰が、層間隔がゼロに近づく中心窪部でも解剖学的に正しい境界順序を保証できるか？
• RQ3 合成マスクを用いた回帰ベースのアプローチが、実際のOCTスキャンに一般化可能であり、高いセグメンテーション精度を維持できるか？
• RQ4 提案された段階的ネットワーク（S-Net + R-Net）は、最先端のグラフベース手法と同等またはそれ以上の精度を達成するか、かつより高速で柔軟性があるか？
• RQ5 このフレームワークは、網膜を超えた他の層状生物学的構造へも拡張可能か？

主な発見

• 提案されたS-Net + R-Netフレームワークは、平均絶対境界誤差（MAD）2.82 μmを達成し、最先端のRF+Graph手法（2.83 μm）と同等の精度を示した。
• 本手法はバイアス制御が優れており、平均符号付き差分（MSD）が-0.03 μm（RF+Graph手法の-0.80 μm対比）であり、系統的な誤差が少ないことを示した。
• MSDの95パーセンタイルは、本手法で-8.17 μm、RF+Graph手法で-9.08 μmであり、外れ値に対する耐性が優れていることを示した。
• 全 volumes 1体（496×1024×49）のセグメンテーションに要した合計時間は10秒であり、RF+Graph手法の100秒に比べて顕著に高速であった。
• S-Netが画像品質の悪さや境界の曖昧さにより誤ったラベルを出力しても、R-Netがトポロジカルな正しさを効果的に維持した。
• シミュレーテッドマスクを容易に生成できるため、学習に用いたことにより、網膜OCTを超えた他の層状構造への応用が容易に可能となり、広範な適用性を有する。