[논문 리뷰] A Deep Learning-based Quality Assessment and Segmentation System with a Large-scale Benchmark Dataset for Optical Coherence Tomographic Angiography Image

Yufei Wang, Yiqing Shen외 7명|arXiv (Cornell University)|2021. 07. 22.

Retinal Imaging and Analysis참고 문헌 53인용 수 13

한 줄 요약

이 논문은 광학 간섭 단층촬영 혈관 영상(OCTA) 영상에서 자동화된 품질 평가 및 중심망막 무혈관 영역(FAZ) 분할을 위한 딥러닝 기반 컴퓨터 지원 시스템 COIPS를 제안한다. 이는 대규모 공개 데이터셋(OCTA-25K-IQA-SEG)을 활용하며, Swin-Transformer-Large 모델이 품질 분류에서 91% 정확도와 92% 정밀도를 기록하고, U-Net 기반 모델이 FAZ 분할에서 95%의 Dice 스코어를 달성하여 최신 기술 수준에 도달한다.

ABSTRACT

Optical Coherence Tomography Angiography (OCTA) is a non-invasive and non-contacting imaging technique providing visualization of microvasculature of retina and optic nerve head in human eyes in vivo. The adequate image quality of OCTA is the prerequisite for the subsequent quantification of retinal microvasculature. Traditionally, the image quality score based on signal strength is used for discriminating low quality. However, it is insufficient for identifying artefacts such as motion and off-centration, which rely specialized knowledge and need tedious and time-consuming manual identification. One of the most primary issues in OCTA analysis is to sort out the foveal avascular zone (FAZ) region in the retina, which highly correlates with any visual acuity disease. However, the variations in OCTA visual quality affect the performance of deep learning in any downstream marginally. Moreover, filtering the low-quality OCTA images out is both labor-intensive and time-consuming. To address these issues, we develop an automated computer-aided OCTA image processing system using deep neural networks as the classifier and segmentor to help ophthalmologists in clinical diagnosis and research. This system can be an assistive tool as it can process OCTA images of different formats to assess the quality and segment the FAZ area. The source code is freely available at https://github.com/shanzha09/COIPS.git. Another major contribution is the large-scale OCTA dataset, namely OCTA-25K-IQA-SEG we publicize for performance evaluation. It is comprised of four subsets, namely sOCTA-3$ imes$3-10k, sOCTA-6$ imes$6-14k, sOCTA-3$ imes$3-1.1k-seg, and dOCTA-6$ imes$6-1.1k-seg, which contains a total number of 25,665 images. The large-scale OCTA dataset is available at https://doi.org/10.5281/zenodo.5111975, https://doi.org/10.5281/zenodo.5111972.

연구 동기 및 목표

• 운동, 블러링, 중심에서 벗어남 등의 아티팩트로 인해 수동으로 수행되는 시간이 오래 걸리고 일관성이 떨어지는 OCTA 영상의 품질 평가 문제를 해결하기 위해.
• 당뇨성 망막병증 및 녹내장과 같은 망막 질환의 핵심 생물학적 지표인 중심망막 무혈관 영역(FAZ)의 자동 분할을 위해.
• 노력이 많이 들고 대규모 생물통계학적 연구를 제한하는 수동 FAZ 측정에 의존도를 줄이기 위해.
• 다양한 OCTA 영상 형식을 처리할 수 있는 일반화된, 형식에 구애받지 않는 시스템을 개발하기 위해.
• OCTA 영상 분석 분야의 연구를 가속화하기 위해 공개 가능한 대규모 기준 데이터셋(OCTA-25K-IQA-SEG)을 제공하기 위해.

제안 방법

• OCTA 영상 품질 평가를 위해 ResNet-101, Inception-V3, EfficientNet-B7, SE-ResNeXt-101, Swin-Transformer-Large 등의 다양한 백본 아키텍처를 사용한 딥러닝 파이프라인을 개발하였다.
• 품질 평가 작업에서의 클래스 불균형 문제를 해결하기 위해 수정된 교차 엔트로피 손실 함수를 적용하였다.
• FAZ 분할을 위해 nnU-Net 프레임워크 기반의 U-Net 유사 아키텍처를 사용하여 정확하고 강력한 경계 국소화를 가능하게 하였다.
• 모든 OCTA 영상은 다양한 수집 시스템과 파일 형식 간의 호환성을 확보하기 위해 통일된 PNG 형식으로 변환되었다.
• 시스템은 품질 점수 부여, FAZ 분할, 임상용 자동 보고서 생성을 포함한 엔드 투 엔드 처리를 수행한다.
• 대규모 기준 데이터셋인 OCTA-25K-IQA-SEG는 총 25,665장의 영상으로 구성되어 있으며, 품질 평가 및 분할 레이블이 부여된 네 개의 서브셋을 포함한다.

실험 결과

연구 질문

• RQ1 딥러닝 모델은 신호 강도 외에도 운동, 중심에서 벗어남 등의 아티팩트를 고려해 OCTA 영상의 품질을 효과적으로 분류할 수 있는가?
• RQ2 다양한 OCTA 영상 해상도와 시야 크기에서 딥러닝 모델이 중심망막 무혈관 영역(FAZ)을 얼마나 정확하게 분할할 수 있는가?
• RQ3 다양한 OCTA 영상 형식과 수집 프로토콜 간에서 모델 성능이 얼마나 달라지는가?
• RQ4 통합된 딥러닝 시스템이 다양한 OCTA 영상 입력을 처리하고 일관된 품질 평가 및 분할 결과를 제공할 수 있는가?
• RQ5 최신 기술 수준의 비전 트랜스포머(Swin-Transformer 등)가 CNN 기반 모델에 비해 OCTA 영상 품질 분류에서 어떻게 성능을 내는가?

주요 결과

• Swin-Transformer-Large 모델은 3×3 mm² sOCTA 영상의 품질 평가에서 91% 정확도, 92% 정밀도, 91% F1 스코어를 기록하여 최고의 성능을 보였다.
• 6×6 mm² dOCTA 영상에서는 SE-ResNeXt-101 모델이 90% 정확도, 90% 정밀도, 90% F1 스코어를 기록하여 다른 아키텍처보다 뛰어난 성능을 보였다.
• sOCTA-3×3-1.1k-seg 데이터셋에서 FAZ 분할 모델은 0.95의 Dice 계수를 기록하여 높은 분할 정확도를 입증하였다.
• dOCTA-6×6-1.1k-seg 데이터셋에서는 0.89의 Dice 계수를 기록하여 혈관 경계가 덜 뚜렷한 점으로 인해 다소 낮은 성능을 보였다.
• 제안된 COIPS 시스템은 다양한 영상 형식과 시야 크기에서 뛰어난 일반화 능력을 보이며, 자동화되고 신뢰성 있으며 효율적인 처리를 가능하게 하였다.
• 공개된 OCTA-25K-IQA-SEG 데이터셋은 현재까지 분야에서 가장 큰 기준 데이터셋으로, 품질 평가 및 분할을 위한 총 25,665장의 레이블이 부여된 OCTA 영상로 구성되어 있다.