[논문 리뷰] A Generalized Motion Pattern and FCN based approach for retinal fluid detection and segmentation

Shivin Yadav, Karthik Gopinath외 1명|arXiv (Cornell University)|2017. 12. 04.

Retinal Imaging and Analysis참고 문헌 3인용 수 13

한 줄 요약

이 논문은 일반화된 운동 패턴(GMP) 특징에 기반한 계층적 완전 컨volution 네트워크(FCN)를 사용하여 SD-OCT 스캔에서 망막 체액 이상을 검출하고 분할하는 완전 자동화된 스캐너 독립적 방법을 제안한다. GMP는 다중 방향 이미지 이동과 최소 풀링을 적용하여 체액 이상을 강조하고 잡음을 억제하여 다양한 스캐너에서 강건한 분할을 가능하게 하며, 각각 IRF, SRF, PED에 대해 평균 딱시 점수 0.61, 0.70, 0.73을 달성하고, 검출에 대해 AUC 0.85, 0.84, 0.87을 기록한다.

ABSTRACT

SD-OCT is a non-invasive cross-sectional imaging modality used for diagnosis of macular defects. Efficient detection and segmentation of the abnormalities seen as biomarkers in OCT can help in analyzing the progression of the disease and advising effective treatment for the associated disease. In this work, we propose a fully automated Generalized Motion Pattern(GMP) based segmentation method using a cascade of fully convolutional networks for detection and segmentation of retinal fluids from SD-OCT scans. General methods for segmentation depend on domain knowledge-based feature extraction, whereas we propose a method based on Generalized Motion Pattern (GMP) which is derived by inducing motion to an image to suppress the background.The proposed method is parallelizable and handles inter-scanner variability efficiently. Our method achieves a mean Dice score of 0.61,0.70 and 0.73 during segmentation and a mean AUC of 0.85,0.84 and 0.87 during detection for the 3 types of fluids IRF, SRF and PDE respectively.

연구 동기 및 목표

• SD-OCT 스캔에서 망막 체액 이상을 완전 자동화되고 스캐너에 의존하지 않는 방법으로 검출하고 분할하는 것.
• 도메인 특화 특징 엔지니어링의 한계를 극복하기 위해 일반화된 운동 기반 특징 강화 기법을 도입하는 것.
• 다양한 OCT 스캐너 간의 강건한 정확도 향상과 강한 스캐너 간 강도 및 해상도 변동성에 대한 민감도 감소.
• GMP 강화 특징에 기반한 계층적 FCN 아키텍처를 사용하여 검출과 분할을 동시에 수행하는 것.
• 다중 척도 후처리 및 볼륨 수준 일致성 모델링을 통해 임의의 양성 결과를 최소화하는 것.

제안 방법

• SD-OCT 볼륨을 512×256로 리사이징하고, 스펙트럼 총 변동성으로 노이즈 제거한 후, 가장 밝은 컬럼 방향 픽셀 주변의 256×256 ROI를 추출한다.
• 일반화된 운동 패턴(GMP) 이미지를 생성하기 위해 다수의 각도(θ)에서 강체 이동(단계 크기 δ=1, 범위 D=5)을 적용하고, 최소 풀링을 통해 결과를 통합하여 어두운 체액 영역을 강조한다.
• 다양한 방향에 걸친 GMP 이미지의 앙상블을 구성하여 유동성의 방향과 크기 변화에 대한 강건성을 향상시킨다.
• 두 단계로 구성된 계층적 FCN을 훈련: 첫 번째 단계는 슬라이스별 분할, 두 번째 단계는 정밀화이며, 손실 함수로 음수 딱시 계수를 사용한다.
• 후처리 적용: 예측 결과에 임계값을 적용하고, 작은 연결 성분을 제거하며, 강도 공간에서 영역을 군집화하여 가짜 양성 결과를 제거한다.
• k-최근접 이웃 슬라이스 분석(k=3)을 사용해 볼륨 전체에서 체액 존재 여부를 탐지하고, 3차원 지속성을 활용하여 검출에서의 가짜 양성 결과를 감소시킨다.

실험 결과

연구 질문

• RQ1 일반화된 운동 패턴(GMP)은 체액 이상을 강조하고 잡음 및 배경 구조를 억제하면서 SD-OCT 스캔에서 망막 체액 이상을 효과적으로 강화할 수 있는가?
• RQ2 GMP 입력을 사용하는 계층적 FCN 아키텍처는 전통적인 도메인 특화 특징 기반 분할 방법에 비해 정확도와 강건성 측면에서 어떻게 비교되는가?
• RQ3 제안된 방법이 강도 프로파일과 해상도가 다른 다양한 OCT 스캐너 제조사 간에 얼마나 잘 일반화되는가?
• RQ4 왜 이 방법은 IRF에 비해 SRF와 PED에 비해 정확도가 떨어지는가? 이 문제는 후처리 또는 모델 적응을 통해 완화될 수 있는가?
• RQ5 이웃 슬라이스 간의 볼륨 수준 일관성 분석은 슬라이스별 분할만으로는 부족한 검출 신뢰도를 향상시키는 데 기여하는가?

주요 결과

• 제안된 방법은 모든 스캐너에서 IRF, SRF, PDE 분할에 대해 각각 평균 딱시 점수 0.61, 0.70, 0.73을 달성한다.
• 검출 작업에서는 IRF, SRF, PDE에 대해 각각 평균 AUC 점수 0.85, 0.84, 0.87을 기록하여 체액 존재를 식별하는 데 강력한 성능을 보인다.
• 스캐너 간 변동성에 대해 강건함을 입증하였으며, Cirrus, Spectralis, Topcon OCT 장치에서 모두 높은 AUC 및 딱시 점수를 유지한다.
• IRF의 경우 SRF 및 PED에 비해 성능이 낮은 편이며, 이는 GMP 생성 과정에서 노이즈처럼 보이는 IRF의 특성 때문일 가능성이 높다.
• 후처리를 통해 작은 연결 성분을 걸러내고 강도 기반 군집화를 수행함으로써 가짜 양성 결과가 크게 감소하여 분할 정밀도가 향상된다.
• 볼륨 수준 분석(k=3개 이웃 슬라이스)을 통해 체액 구조의 3차원 지속성을 활용함으로써 검출의 신뢰도가 향상되어 가짜 양성 결과가 감소한다.