[논문 리뷰] BSDA-Net: A Boundary Shape and Distance Aware Joint Learning Framework for Segmenting and Classifying OCTA Images

Li Lin, Zhonghua Wang외 6명|arXiv (Cornell University)|2021. 07. 10.

Retinal Imaging and Analysis참고 문헌 30인용 수 4

한 줄 요약

이 논문은 경계 히트맵 회귀 및 부호 거리 맵 복원 브랜치를 통합하여 OCTA 영상에서 FAZ 분할 및 진단 분류를 향상시키는 새로운 공동 학습 프레임워크인 BSDA-Net을 제안한다. 이 방법은 세 가지 데이터셋에서 최신 기술 수준(SOTA) 성능을 달성하였으며, OCTA-500에서 94.23% 정확도와 87.68% 카파를 기록하여 계층적 특징 융합을 통한 FAZ 특징의 효과적인 활용이 진단 분류 성능 향상에 기여함을 입증한다.

ABSTRACT

Optical coherence tomography angiography (OCTA) is a novel non-invasive imaging technique that allows visualizations of vasculature and foveal avascular zone (FAZ) across retinal layers. Clinical researches suggest that the morphology and contour irregularity of FAZ are important biomarkers of various ocular pathologies. Therefore, precise segmentation of FAZ has great clinical interest. Also, there is no existing research reporting that FAZ features can improve the performance of deep diagnostic classification networks. In this paper, we propose a novel multi-level boundary shape and distance aware joint learning framework, named BSDA-Net, for FAZ segmentation and diagnostic classification from OCTA images. Two auxiliary branches, namely boundary heatmap regression and signed distance map reconstruction branches, are constructed in addition to the segmentation branch to improve the segmentation performance, resulting in more accurate FAZ contours and fewer outliers. Moreover, both low-level and high-level features from the aforementioned three branches, including shape, size, boundary, and signed directional distance map of FAZ, are fused hierarchically with features from the diagnostic classifier. Through extensive experiments, the proposed BSDA-Net is found to yield state-of-the-art segmentation and classification results on the OCTA-500, OCTAGON, and FAZID datasets.

연구 동기 및 목표

• 단일 태스크 학습에서의 제한된 사전 지식으로 인해 발생하는 OCTA 영상 분할에서의 부정확한 FAZ 경계 탐지 및 이방성 생성 문제를 해결하기 위해.
• 명시적인 FAZ 관련 특징(형상, 경계, 부호 거리)이 OCTA 영상에서의 딥 진단 분류 성능 향상에 기여하는지 탐색하기 위해.
• 분할 및 분류 특징을 계층적으로 융합하는 공동 학습 프레임워크를 개발하여 임상 진단 정확도를 향상시키기 위해.
• OCTA 영상 기반 FAZ 분할 및 다중질환 분류에 대해 새로운 최신 기술 수준(SOTA) 기준을 설정하기 위해.

제안 방법

• 주 분할 브랜치 외에 경계 히트맵 회귀 및 부호 거리 맵(SDM) 복원이라는 두 가지 보조 브랜치를 도입하여 경계 정밀도 향상 및 이방성 감소를 도모한다.
• 공유 인코더를 사용한 후 세 개의 병렬 브랜치(분할, 경계 히트맵 회귀, SDM 복원)를 구현하여 다중 수준의 특징 학습을 가능하게 한다.
• 보조 브랜치에서 유도된 소프트 윤곽 및 방향성 부호 거리 인식 손실 함수를 적용하여 분할 과정에서 경계 인식 능력을 향상시킨다.
• 모든 세 브랜치의 저수준 및 고수준 특징과 진단 분류기의 특징을 융합하여 계층적 특징 융합을 실현함으로써 해석 가능한 특징 통합을 가능하게 한다.
• 백본 네트워크로 ResNeSt50를 사용하고, 다중 태스크 손실을 통한 공동 학습을 적용하여 분할 및 분류를 동시에 최적화한다.
• 형상, 경계 및 부호 방향 거리 특징을 다중 척도에서 융합하는 다중 수준 인식 전략을 적용하여 분류기의 입력 표현을 풍부하게 한다.

실험 결과

연구 질문

• RQ1 경계 히트맵 회귀 및 부호 거리 맵 복원을 위한 보조 브랜치가 OCTA 영상에서 FAZ 분할 정확도 및 경계 정밀도 향상에 상당한 기여를 할 수 있는가?
• RQ2 명시적인 FAZ 특징(형상, 경계, 부호 거리)이 망막 질환에 대한 딥 진단 분류 네트워크 성능 향상에 어느 정도 기여하는가?
• RQ3 분할 및 분류 특징을 융합하는 계층적 공동 학습 프레임워크가 단일 태스크 또는 표준 다중 태스크 학습보다 OCTA 영상 분석에서 우수한 성능을 내는가?
• RQ4 다양한 OCTA 데이터셋에서 제안된 BSDA-Net은 기존 최신 기술 수준(SOTA) 방법과 비교해 분할 및 분류 성능 측면에서 어떤가?

주요 결과

• BSDA-Net은 OCTA-500 데이터셋에서 94.23% 정확도와 87.68% 카파를 기록하여 ResNeSt50 및 YNet을 포함한 모든 비교 방법을 능가한다.
• OCTAGON 데이터셋에서 BSDA-Net은 99.53% 정확도와 98.92% 카파를 기록하여 OCTA 영상 분류 분야에서 새로운 SOTA 기준을 수립한다.
• FAZID 데이터셋에서 BSDA-Net은 82.57% 정확도와 73.67% 카파를 기록하였으며, 당뇨성 망막병증에서 특히 뛰어난 성능(89.32% F1-스코어)을 보였다.
• 제거 실험 결과, 경계(B) 및 거리(D) 브랜치를 제거할 경우 분류 정확도가 4.5%p 감소함을 확인하여 이들의 핵심적 역할을 입증하였다.
• 모델은 당뇨성 망막병증 및 AMD 환자에서의 FAZ 형태 변화 탐지에 뛰어난 강건성을 보이며, 높은 재현율을 확보하여 임상적 관련성을 입증하였다.
• 시각화 결과, 기준 방법 대비 예측된 소프트 경계 및 복원된 SDM이 더 정확하고 노이즈가 적은 것으로 확인되었으며, 특히 저대비 영역에서 뛰어난 성능을 보였다.