[논문 리뷰] Cystoid macular edema segmentation of Optical Coherence Tomography images using fully convolutional neural networks and fully connected CRFs

Fangliang Bai, Manuel J. Marques외 1명|arXiv (Cornell University)|2017. 09. 15.

Retinal Imaging and Analysis참고 문헌 25인용 수 11

한 줄 요약

이 논문은 망막 OCT 영상에서 자동으로 낭성 매크류라 edema(CME) 분할을 수행하기 위해 완전 컨volution 신경망(FCNs)과 완전 연결 조건부 랜덤 필드(dense CRFs)를 결합한 딥러닝 프레임워크를 제안한다. 이 방법은 0.61±0.21의 Dice 계수를 달성하여 이전 최고 성능 방법들을 능가하며, 경계 부착성과 영상 노이즈 및 변동성에 대한 강건성 또한 향상시켰다.

ABSTRACT

In this paper we present a new method for cystoid macular edema (CME) segmentation in retinal Optical Coherence Tomography (OCT) images, using a fully convolutional neural network (FCN) and a fully connected conditional random fields (dense CRFs). As a first step, the framework trains the FCN model to extract features from retinal layers in OCT images, which exhibit CME, and then segments CME regions using the trained model. Thereafter, dense CRFs are used to refine the segmentation according to the edema appearance. We have trained and tested the framework with OCT images from 10 patients with diabetic macular edema (DME). Our experimental results show that fluid and concrete macular edema areas were segmented with good adherence to boundaries. A segmentation accuracy of $0.61\pm 0.21$ (Dice coefficient) was achieved, with respect to the ground truth, which compares favourably with the previous state-of-the-art that used a kernel regression based method ($0.51\pm 0.34$). Our approach is versatile and we believe it can be easily adapted to detect other macular defects.

연구 동기 및 목표

• 고해상도 3D 데이터와 경계의 모호성으로 인해 수동 분할이 시간이 오래 걸리고 일관성이 떨어지는 CME 분할 과제를 해결하기 위해.
• 당뇨성 매크류라 에드마에서 CME의 분할 정확도와 경계 일관성을 향상시키는 자동화된 종단 간 전처리 딥러닝 프레임워크를 개발하기 위해.
• 공간 일관성을 향상시키기 위해 FCN 예측을 정제하기 위해 밀도 있는 CRFs를 후처리 단계로 통합하기 위해.
• CME를 초월한 다른 망막 병변에 적용 가능한 유연한 방법을 만들기 위해.
• 수작업 규칙에 의존하는 것을 줄이고 다양한 망막 이상에 대한 일반화 능력을 향상시키기 위해.

제안 방법

• OCT B-scan에서 CME 영역의 픽셀 단위 분류를 수행하기 위해 스킵 연결을 갖춘 완전 컨volution 신경망(FCN)을 종단 간으로 훈련한다.
• 얕은 층과 깊은 층의 특징을 융합하기 위해 스킵 연결을 사용하여 공간 해상도를 유지하고 정위 정확도를 향상시킨다.
• 예측된 마스크와 진짜 마스크 간의 겹침을 최적화하기 위해 훈련 중에 Dice 손실 레이어를 통합한다.
• 데이터 부족 문제를 완화하고 수렴을 향상시키기 위해 사전 훈련된 ImageNet 모델을 사용한 전이 학습을 적용한다.
• 훈련 다양성과 일반화 능력을 향상시키기 위해 데이터 증강 기법을 사용한다.
• FCN 추론 후 완전 연결된 CRFs를 적용하여 고차원 의존성 모델링과 경계 부착성 향상을 통해 분할을 정밀하게 조정한다.

실험 결과

연구 질문

• RQ1 제한된 레이블이 있는 데이터로 완전 컨볼루션 신경망이 OCT 영상에서 낭성 매크류라 에드마를 효과적으로 분할할 수 있는가?
• RQ2 FCN 단독 대비 밀도 있는 CRFs 통합이 분할 정확도와 경계 일관성에 어떤 영향을 미치는가?
• RQ3 제안된 프레임워크가 Dice 계수와 경계 부착성 측면에서 기존 최고 성능 방법들을 능가하는가?
• RQ4 이 방법은 당뇨성 매크류라 에드마를 초월한 다른 망막 병변에 얼마나 일반화 가능한가?
• RQ5 FCN와 밀도 있는 CRF의 조합이 영상 노이즈와 해부학적 변동성에 강건한 성능을 달성할 수 있는가?

주요 결과

• 제안된 방법은 0.61±0.21의 Dice 계수를 달성하여 이전 최고 성능의 커널 회귀 방법(0.51±0.34)을 뚜렷이 능가했다.
• 분할 결과는 기준 방법 대비 과도한 분할과 부족 분할이 감소한 우수한 경계 부착성을 보였다.
• 밀도 있는 CRFs의 통합으로 병변 경계에서 재현율이 향상되어 분할의 공간 일관성이 향상되었다.
• 프레임워크는 영상 아티팩트와 수동 레이블링의 전문가 간 변동성에 대해 강건성을 보였다.
• 복잡하고 다형적인 CME 패atters, 즉 망막층 내에서 불규칙한 체액 분포를 효과적으로 처리했다.
• 이 방법은 추가 훈련을 통해 노화 관련 매크류라 에드마 및 망막 박리와 같은 다른 망막 병변에도 일반화되고 적응 가능하다.