[논문 리뷰] DRUNET: A Dilated-Residual U-Net Deep Learning Network to Digitally Stain Optic Nerve Head Tissues in Optical Coherence Tomography Images

Sripad Krishna Devalla, Prajwal K. Renukanand외 9명|arXiv (Cornell University)|2018. 03. 01.

Glaucoma and retinal disorders참고 문헌 37인용 수 5

한 줄 요약

DRUNET은 확장된 잔차 U-Net 딥러닝 모델로, 국소적 무늬와 맥락적 공간 정보를 포착하여 광학 간섭단층촬영(OCT) 영상에서 6개의 시신경두 조직 층을 디지털으로 염색한다. 전문가 수작업 분할 결과와 비교해 평균 Dice 계수 0.91±0.05를 기록하여 자동 황반병변 파rameter 추출을 위한 강력하고 동시에 가능한 조직 분離를 입증하였다.

ABSTRACT

Given that the neural and connective tissues of the optic nerve head (ONH) exhibit complex morphological changes with the development and progression of glaucoma, their simultaneous isolation from optical coherence tomography (OCT) images may be of great interest for the clinical diagnosis and management of this pathology. A deep learning algorithm was designed and trained to digitally stain (i.e. highlight) 6 ONH tissue layers by capturing both the local (tissue texture) and contextual information (spatial arrangement of tissues). The overall dice coefficient (mean of all tissues) was $0.91 \pm 0.05$ when assessed against manual segmentations performed by an expert observer. We offer here a robust segmentation framework that could be extended for the automated parametric study of the ONH tissues.

연구 동기 및 목표

• 기존의 조직 특이적 분할 도구의 한계를 극복하고, OCT 영상에서 여러 시신경두 조직 층을 동시에 고립할 수 있는 딥러닝 프레임워크를 개발하는 것.
• 새로운 네트워크 아키텍처를 통해 국소적 무늬와 전반적 공간 맥락을 통합함으로써 분할 정확도를 향상시키는 것.
• 황반병변 진행에서 신경 및 결합조직 변화의 자동, 매개변수 기반 분석을 가능하게 하는 것.
• 임상적 OCT 분석에서 수작업 분할 및 오류가 발생하기 쉬운 기기별 특화 알고리즘에 대한 의존도를 줄이는 것.
• 황반병변에서 시신경두 조직 형태학의 향후 기기 독립적, 다중 기관 검증을 위한 기반을 마련하는 것.

제안 방법

• DRUNET은 3D OCT B-스캔에서 다중 척도 맥락적 특징과 세밀한 무늬 세부 정보를 포착하기 위해 확장된 잔차 U-Net 아키텍처를 활용한다.
• 확장된 컨볼루션은 다운샘플링 없이 감지 영역을 확장하여 미세한 조직 경계의 특징 표현을 향상시킨다.
• 스킵 연결은 공간 해상도를 유지하고 기울기 흐름을 촉진하여 학습 안정성과 경계 국소화를 향상시킨다.
• 불균형한 조직 클래스를 고려해 픽셀 단위의 교차 엔트로피 손실과 Dice 계수 최적화를 함께 사용하여 엔드 투 엔드로 학습한다.
• 입력 OCT B-스캔은 빛 감쇠와 그림자 잡음 등을 보완하기 위한 보정 기법을 적용하여 사전 처리된다.
• 모델은 100명의 환자 중 40명의 OCT 영상으로 학습하고, 나머지 60명으로 테스트하며, 개별 실험에서 학습 및 테스트 세트 간 데이터 泄漏가 없도록 한다.

실험 결과

연구 질문

• RQ1 단일 딥러닝 모델이 OCT 영상에서 6개의 구분되는 시신경두 조직 층을 정확하고 동시에 분할할 수 있는가?
• RQ2 DRUNET의 성능은 이전의 패치 기반 딥러닝 방법과 비교해 시신경두 조직 고립에서 어떻게 다른가?
• RQ3 확장된 컨볼루션과 잔차 연결을 통합함으로써 OCT 영상에서 복잡하고 겹치는 조직 경계의 분할 성능은 어느 정도 향상되는가?
• RQ4 모델은 다양한 황반병변 표현형(PPOAG, PACG)과 건강한 대조군 간에 일반화 가능한가?
• RQ5 영상 보정 기법이 감쇠 잡음 존재 하에서 디지털 염색의 강건성에 어떤 영향을 미치는가?

주요 결과

• 전문가 수작업 분할 결과와 비교해 DRUNET은 모든 6개의 시신경두 조직 층에서 평균 Dice 계수 0.91±0.05를 기록했다.
• 특히 람이나 크리브로사와 경화막에 대해 이전의 패치 기반 딥러닝 접근보다 경계 정밀도와 조직 분리 능력에서 뛰어난 성능을 보였다.
• 알고리즘이 인위적인 LC-경화막 삽입을 성공적으로 줄였고, 복잡한 조직 경계의 명확한 분리가 가능했다.
• 주변 망막 경화막과 LC 두께 검증의 과제에도 불구하고, 모델의 출력은 이전의 생체 내 OCT 연구에서 알려진 해부학적 관계와 일치했다.
• 병변이 있는 영상에서도 모델은 강건성을 보였지만, 다기기 학습이 이루어지지 않아 다양한 OCT 기기 간 성능 편차가 발생할 수 있었다.
• 스펙클 노이즈와 강도 비균일성으로 인해 GCC 및 갈망세포층 분할에 한계가 발견되어, 고급 사전 처리 또는 다단계 분할 기법의 필요성을 시사했다.