[논문 리뷰] ADC-Net: An Open-Source Deep Learning Network for Automated Dispersion Compensation in Optical Coherence Tomography

Shaiban Ahmed, David Le외 8명|arXiv (Cornell University)|2022. 01. 29.

Retinal Imaging and Analysis인용 수 4

한 줄 요약

ADC-Net은 재설계된 U-Net 아키텍처를 기반으로 한 오픈소스 딥러닝 프레임워크로, 부분적으로 보정된 입력에서 완전히 보정된 B-scan을 예측함으로써 광학 간섭 단층촬영(OCT)에서 분산 보정을 자동화한다. 다섯 개의 입력 채널에서 최적의 성능을 달성하여 PSNR 및 MS-SSIM로 측정된 영상 품질을 향상시키며, 망막 OCT 영상에서 강력하고 자동화된 해상도 향상 기능을 제공한다.

ABSTRACT

Chromatic dispersion is a common problem to degrade the system resolution in optical coherence tomography (OCT). This study is to develop a deep learning network for automated dispersion compensation (ADC-Net) in OCT. The ADC-Net is based on a redesigned UNet architecture which employs an encoder-decoder pipeline. The input section encompasses partially compensated OCT B-scans with individual retinal layers optimized. Corresponding output is a fully compensated OCT B-scans with all retinal layers optimized. Two numeric parameters, i.e., peak signal to noise ratio (PSNR) and structural similarity index metric computed at multiple scales (MS-SSIM), were used for objective assessment of the ADC-Net performance. Comparative analysis of training models, including single, three, five, seven and nine input channels were implemented. The five-input channels implementation was observed as the optimal mode for ADC-Net training to achieve robust dispersion compensation in OCT

연구 동기 및 목표

• 광학 간섭 단층촬영(OCT)에서 해상도 저하의 주요 원인인 색수차 분산을 해결하기 위해.
• 수동 조정과 주관적 보정을 제거하는 자동화된 딥러닝 기반 분산 보정 솔루션을 개발하기 위해.
• 부분적으로 보정된 입력에서 완전히 보정된 B-scan을 예측하여 모든 망막 층에서 영상 품질을 최적화하기 위해.
• 딥러닝 모델을 훈련하기 위한 최적의 입력 채널 수를 평가하고 규명하기 위해.

제안 방법

• ADC-Net은 부분적으로 보정된 OCT B-scan에서 완전히 보정된 OCT B-scan로의 매핑을 학습하기 위해 수정된 U-Net 인코더-디코더 아키텍처를 사용한다.
• 입력은 이미 분산에 대해 최적화된 개별 망막 층을 가진 다수의 OCT B-scan으로 구성되며, 이는 네트워크가 잔여 보정을 학습할 수 있도록 한다.
• 재구성 오차를 최소화하는 손실 함수를 사용하여 네트워크를 훈련시키며, 성능 평가에는 PSNR와 다중 척도 구조적 유사도(MS-SSIM)를 사용한다.
• 강건한 성능을 위한 최적의 입력 차원을 규명하기 위해 다섯 가지 다른 입력 구성(1, 3, 5, 7, 9채널)을 테스트하였다.
• 모델은 실제 OCT 데이터를 기반으로 엔드 투 엔드로 훈련되어 모든 망막 층에서 최고의 해상도 복원을 목표로 한다.
• 프레임워크는 오픈소스로 배포되어 재현 가능성을 보장하고 임상 및 연구 워크플로우에의 통합을 가능하게 한다.

실험 결과

연구 질문

• RQ1 딥러닝을 활용한 OCT에서 효과적인 분산 보정을 위해 최적의 입력 채널 수는 무엇인가?
• RQ2 딥러닝 모델이 수동 조정 없이 다양한 OCT B-scan에서 일관되고 객관적인 분산 보정을 달성할 수 있는가?
• RQ3 PSNR 및 MS-SSIM와 같은 영상 품질 지표 측면에서 ADC-Net 모델의 성능은 전통적 방법과 비교해 어떻게 되는가?
• RQ4 U-Net 기반 아키텍처는 OCT에서 자동 분산 보정의 정확성과 강건성에 얼마나 기여하는가?

주요 결과

• 다섯 개의 입력 채널 구성에서 PSNR 및 MS-SSIM 측면에서 가장 뛰어난 성능을 기록하였으며, 1, 3, 7, 9채널 모델을 모두 초월하였다.
• ADC-Net은 OCT B-scan의 모든 망막 층에서 해상도 복원을 통해 영상 품질을 크게 향상시켰다.
• 다양한 OCT 영상 데이터에 걸쳐 강건성과 일반화 능력을 입증하여 임상 적용 가능성이 높다는 것을 시사했다.
• 객관적 지표(PSNR 및 MS-SSIM)는 예측된 완전히 보정된 B-scan이 기준값 수준의 품질에 매우 가까웠음을 확인하였으며, 이는 모델의 효과성을 검증하였다.
• ADC-Net의 오픈소스 배포로 인해 연구 및 임상 용도의 OCT 영상 파이프라인에 널리 도입되고 활용될 수 있게 되었다.