[논문 리뷰] Deep learning vessel segmentation and quantification of the foveal avascular zone using commercial and prototype OCT-A platforms

Morgan Heisler, Forson Chan외 16명|arXiv (Cornell University)|2019. 09. 25.

Retinal Imaging and Analysis참고 문헌 38인용 수 13

한 줄 요약

이 연구는 광학 간섭 단층촬영 혈관 영상(OCT-A) 영상에서 황반 무혈관 영역(FAZ)과 황반주변 혈관 밀도를 자동으로 분할 및 정량화하기 위한 딥 네ural 네트워크(DNN) 기반 방법을 제안한다. 상용 및 프로토타입의 3개의 OCT-A 플랫폼에서 확보한 데이터를 바탕으로 DNN는 수작업 분할과 유사한 높은 정확도, 민감도 및 특이도를 달성하였으며, 모든 지표에서 0.51 이상의 상관관계 계수를 보이며 다양한 영상 시스템 간에 강인한 성능을 입증하였다.

ABSTRACT

Automatic quantification of perifoveal vessel densities in optical coherence tomography angiography (OCT-A) images face challenges such as variable intra- and inter-image signal to noise ratios, projection artefacts from outer vasculature layers, and motion artefacts. This study demonstrates the utility of deep neural networks for automatic quantification of foveal avascular zone (FAZ) parameters and perifoveal vessel density of OCT-A images in healthy and diabetic eyes. OCT-A images of the foveal region were acquired using three OCT-A systems: a 1060nm Swept Source (SS)-OCT prototype, RTVue XR Avanti (Optovue Inc., Fremont, CA), and the ZEISS Angioplex (Carl Zeiss Meditec, Dublin, CA). Automated segmentation was then performed using a deep neural network. Four FAZ morphometric parameters (area, min/max diameter, and eccentricity) and perifoveal vessel density were used as outcome measures. The accuracy, sensitivity and specificity of the DNN vessel segmentations were comparable across all three device platforms. No significant difference between the means of the measurements from automated and manual segmentations were found for any of the outcome measures on any system. The intraclass correlation coefficient (ICC) was also good (> 0.51) for all measurements. Automated deep learning vessel segmentation of OCT-A may be suitable for both commercial and research purposes for better quantification of the retinal circulation.

연구 동기 및 목표

• OCT-A 영상에서 황반 무혈관 영역(FAZ)과 황반주변 혈관 밀도를 강건하게 분할 및 정량화할 수 있는 딥 러닝 모델을 개발하기 위해.
• 상용 및 프로토타입 시스템을 포함한 다양한 OCT-A 플랫폼에서 DNN의 성능을 평가하여 일반화 능력을 평가하기 위해.
• 주요 FAZ 형태 측정 매개변수 및 혈관 밀도에서 수작업 분할을 기준으로 한 자동 DNN 분할 결과를 비교하기 위해.
• 중재성 및 신뢰성 평가를 위해 중재성 상관계수(ICC)를 사용하여 자동 측정의 재현 가능성을 평가하기 위해.
• 딥 러닝이 일반적인 OCT-A 아티팩트(예: 투과성 아티팩트 및 운동 아티팩트)를 극복하여 일관된 망막 미소혈관 정량화를 가능하게 할 수 있는지 확인하기 위해.

제안 방법

• 딥 네ural 네트워크(DNN)는 황반 영역의 OCT-A 영상에서 자동 혈관 분할을 수행하도록 훈련되었다.
• DNN는 1060nm 스위프트 서라운드(SS)-OCT 프로토타입, RTVue XR Avanti, ZEISS Angioplex의 세 가지 다른 플랫폼에서 확보한 OCT-A 데이터에 적용되었다.
• 분할 결과를 바탕으로 네 가지 FAZ 형태 측정 매개변수(면적, 최소 및 최대 지름, 타원도)를 계산하였다.
• 황반주변 혈관 밀도는 보조 결과 측정 항목으로 정량화되었다.
• 성능 평가는 전문가가 수행한 수작업 분할과 비교하여 정확도, 민감도, 특이도 및 중재성 상관계수(ICC) 등의 지표를 사용하여 평가되었다.
• 모든 세 플랫폼에서 방법의 일관성과 기기별 영상 품질 변동에 대한 강인성을 평가하기 위해 검증이 수행되었다.

실험 결과

연구 질문

• RQ1 딥 러닝 모델이 다양한 OCT-A 플랫폼에서 황반 무혈관 영역과 황반주변 혈관 구조를 정확하고 일관되게 분할할 수 있는가?
• RQ2 다양한 영상 시스템에서 DNN의 성능이 정확도, 민감도 및 특이도 측면에서 수작업 분할과 비교하여 어떻게 나타나는가?
• RQ3 DNN가 일반적인 OCT-A 아티팩트(예: 투과성 아티팩트 및 운동 아티팩트)가 존재하는 상황에서도 어느 정도의 신뢰성을 유지하는가?
• RQ4 상용 및 프로토타입 OCT-A 기기 간에 FAZ 매개변수 및 혈관 밀도의 자동 정량 측정이 재현 가능한가?
• RQ5 모든 플랫폼에서 DNN로 유도된 측정치와 수작업 분할 간의 중재성 상관계수(ICC)는 얼마인가?

주요 결과

• DNN는 상용 및 프로토타입 플랫폼을 포함한 세 OCT-A 플랫폼 전반에서 혈관 분할에 대해 유사한 정확도, 민감도 및 특이도를 달성하여 강력한 일반화 능력을 입증하였다.
• 네 가지 FAZ 형태 측정 매개변수 또는 황반주변 혈관 밀도에 대해 자동 DNN 측정치와 수작업 분할 간에 통계적으로 유의미한 차이가 발견되지 않았다.
• 모든 측정치에 대해 중재성 상관계수(ICC)가 0.51을 초과하여 플랫폼 간 양호한 신뢰성과 재현 가능성을 나타내었다.
• 다양한 영상 시스템에서 신호 대 잡음 비율의 변동, 투과성 아티팩트, 운동 아티팩트 등의 과제를 효과적으로 완화하였다.
• DNN는 상용 및 프로토타입 OCT-A 플랫폼 전반에서 FAZ 면적, 최소/최대 지름, 타원도 및 황반주변 혈관 밀도를 일관되고 정확하게 정량화하였다.
• 결과는 임상 및 연구 환경에서 딥 러닝을 활용한 자동화되고 신뢰할 수 있으며 교차 플랫폼에 적용 가능한 망막 미소혈관 정량화의 가능성을 뒷받침한다.