[논문 리뷰] Automatic Segmentation of Choroid Layer in EDI OCT Images Using Graph Theory in Neutrosophic Space

Bahareh Salafian, Rahele Kafieh외 3명|arXiv (Cornell University)|2018. 12. 05.

Retinal Imaging and Analysis참고 문헌 22인용 수 17

한 줄 요약

이 논문은 불확실성과 노이즈를 다루기 위해 중립집합 프레임워크 내에서 그래프 이론을 활용한 EDI-OCT 영상에서 자동 망막하피막 분할 방법을 제안한다. 영상을 중립집합 공간으로 변환하고, Dijkstra의 알고리즘을 적용하여 RPE 층을 탐지한 후, 감마 보정과 동형 필터링을 통해 접근을 확장하여 망막하피막을 분할한다. 매크룰라 영상에서 평균 절대 오차는 3.34 픽셀(12.9 μm)이며, 전망부 영상에서는 6.55 픽셀(25.3 μm)을 기록하여 매크룰라 데이터에서는 기존 방법을 능가하고 전망부 영역에 대해선 새로운 결과를 도출한다.

ABSTRACT

The choroid is vascular tissue located underneath the retina and supplies oxygen to the outer retina; any damage to this tissue can be a precursor to retinal disease. Choroid is almost invisible in Enhanced Depth Imaging Optical Coherence Tomography (EDI-OCT) images and it is hard for an ophthalmologist to detect this layer manually. This paper presents an automatic method of choroidal segmentation from EDI-OCT images in neutrosophic space. In neutrosophic approach for image processing, extracting any information from an image and applying any process on it, is modeled by three sets including true, false, and indeterminacy sets. At first, we transform each image to the neutrosophic space; then, we calculate weights between each two nodes and apply the Dijkstra algorithm in order to detect Retinal Pigment Epithelium (RPE) layer. Based on RPE localization and applying gamma correction and homomorphic filter to false set, we segment choroid layer by similar approach used for RPE. The proposed algorithm is tested on 32 EDI OCT images of Heidelberg 3D OCT Spectralis from 11 people and is compared with manual segmentation. The results showed an unsigned error of 3.34 pixels (12.9 Micrometer) for macular images and 6.55 pixels (25.3 Micrometer) for prepapillary images; which macular error is lower than two other methods (7.71 pixels and 9.79 pixels). Furthermore, the proposed method on prepapillary data is novel and published works are concentrated on macular data. Identification of the boundary can help to determine the loss or change of choroid, which can be used as features for automatic determination of the retinal diseases.

연구 동기 및 목표

• 맥락상 거의 보이지 않아 수동으로 탐지하기 어려운 EDI-OCT 영상에서 망막하피막 층의 자동 분할에 도전하는 것.
• 진술, 거짓, 불확실성의 개념을 이미지 데이터에 모델링하기 위해 중립집합 이론을 활용하여 노이즈와 강도 비균일성 존재 하에서 분할 정확도를 향상시키는 것.
• 기존의 분할 방법을 매크룰라 영역을 초월하여 전망부 EDI-OCT 영상에서 정확한 맹막하피막 탐지가 가능하도록 확장함으로써 문헌에서 새로운 기여를 이끌어내는 것.
• 망막 질환의 조기 진단을 위한 특징으로 사용될 수 있는 강력하고 자동화된 맹막하피막 경계 탐지 방법을 제공하는 것.

제안 방법

• 각 EDI-OCT 영상을 진술, 거짓, 불확실성의 세 집합을 정의하여 중립집합 공간으로 변환함으로써 픽셀의 다양한 이미지 상태에 대한 소속도를 표현한다.
• 각 픽셀을 노드로 하고, 강도 및 불확실성 값에 기반하여 유사도와 불확실성을 반영하는 가중치를 계산하여 간선 가중치를 설정하는 그래프를 구축한다.
• 비용을 최소화하는 최적 경로를 찾기 위해 그래프에 Dijkstra의 최단경로 알고리즘을 적용하여 망막 pigment 상피(RPE) 층을 탐지한다.
• 탐지된 RPE 층을 기준으로, 거짓 집합에 감마 보정과 동형 필터링을 적용하여 후속 맹막하피막 분할을 유도한다.
• 처리된 거짓 집합에 대해 동일한 Dijkstra 기반 최적화를 활용한 그래프 기반 분할 접근법을 재적용하여 맹막하피막 경계를 식별한다.
• 공간적 및 강도 기반 제약 조건을 중립집합 프레임워크에 통합하여 이미지 아티팩트와 저대비 상황에 대한 강건성을 향상시킨다.

실험 결과

연구 질문

• RQ1 진술, 거짓, 불확실성을 모델링하는 중립집합 기반 그래프 접근법이 시각적으로 흐린 구조를 가진 EDI-OCT 영상에서 맹막하피막 층을 효과적으로 분할할 수 있는가?
• RQ2 맥락상 및 전망부 영역에서 기존의 분할 기법과 비교해 본다면, 제안된 방법은 정확도와 강건성 측면에서 어떤가?
• RQ3 중립집합 그래프 프레임워크 내에서 Dijkstra 알고리즘을 사용할 경우 노이즈와 강도 비균일성 상황에서도 경계 탐지 성능이 얼마나 향상되는가?
• RQ4 이 방법은 현재 문헌에서 다루지 않은 전망부 영역으로 일반화될 수 있으며, 매크룰라 데이터와 비교해 성능는 어떠한가?

주요 결과

• 제안된 방법은 매크룰라 영상에서 평균 절대 오차 3.34 픽셀(12.9 μm)을 기록하였으며, 이는 두 경쟁 방법이 보고한 7.71 픽셀 및 9.79 픽셀보다 낮은 수준이다.
• 전망부 영상에서는 평균 절대 오차 6.55 픽셀(25.3 μm)을 기록하였으며, 이는 이전 연구가 매크룰라 영역에만 집중한 점을 감안할 때 새로운 기여로 평가된다.
• 거짓 집합에 감마 보정과 동형 필터링을 통합함으로써 분할 정확도가 크게 향상되었으며, 대trast를 향상시키고 노이즈를 감소시켰다.
• 중립집합 공간 프레임워크는 불확실성과 강도 변화를 효과적으로 모델링하여 저대비 영역에서 더 신뢰할 수 있는 경계 탐지가 가능하게 하였다.
• 다양한 영상 품질과 해부학적 영역에서 강건성을 보였으며, 매크룰라 및 전망부 데이터 모두에서 일관된 성능을 기록하였다.