[논문 리뷰] Fully Automated Segmentation of Hyperreflective Foci in Optical Coherence Tomography Images

Thomas Schlegl, Hrvoje Bogunović외 7명|arXiv (Cornell University)|2018. 05. 08.

Retinal Imaging and Analysis참고 문헌 4인용 수 27

한 줄 요약

이 논문은 잔여 U-Net 아키텍처를 사용하여 스펙트럴 도메인 광간섭단층촬영(SD-OCT) 스캔에서 초반사성 병변(HRF)을 완전 자동으로 분할하는 딥러닝 기반 방법을 제시한다. 다양한 제조사 및 질병의 OCT 데이터로 훈련된 모델은 평균 DSC가 0.6526로 높은 정확도를 보이며, 상호 평가자 간 변동성과 유사한 성능을 보이며, 황반변성(AMD), 당뇨성 망막병증(DME), 정맥 혈전증(RVO)을 포함한 다양한 망막 병변에 대해 강력한 성능을 보인다.

ABSTRACT

The automatic detection of disease related entities in retinal imaging data is relevant for disease- and treatment monitoring. It enables the quantitative assessment of large amounts of data and the corresponding study of disease characteristics. The presence of hyperreflective foci (HRF) is related to disease progression in various retinal diseases. Manual identification of HRF in spectral-domain optical coherence tomography (SD-OCT) scans is error-prone and tedious. We present a fully automated machine learning approach for segmenting HRF in SD-OCT scans. Evaluation on annotated OCT images of the retina demonstrates that a residual U-Net allows to segment HRF with high accuracy. As our dataset comprised data from different retinal diseases including age-related macular degeneration, diabetic macular edema and retinal vein occlusion, the algorithm can safely be applied in all of them though different pathophysiological origins are known.

연구 동기 및 목표

• SD-OCT 스캔에서 수작업으로 수행하는 것이 어려우며 오류가 발생하기 쉬운 HRF 탐지 문제를 해결하기 위해, 이는 시간이 오래 걸리고 일관성이 떨어진다.
• 망막 OCT 영상에서 초반사성 병변(HRF)의 픽셀 수준 분할을 정확하게 수행할 수 있는 완전 자동화된 딥러닝 기반 방법을 개발하기 위해.
• 다른 OCT 스캐너 제조사(Cirrus, Spectralis)와 망막 질환(AMD, DME, RVO) 간의 모델 일반화 성능을 평가하기 위해.
• HRF 분할에 대해 다양한 손실 함수(Cross-Entropy vs. Dice)와 네트워크 아키텍처(ResUNet, U-Net)의 성능을 비교하기 위해.
• 임상적 상호 평가자 신뢰도에 맞는 자동 HRF 정량화 기준을 설정하기 위해.

제안 방법

• U-Net의 스킵 커넥션과 ResNet의 잔여 블록을 조합한 잔여 U-Net(ResUNet) 아키텍처를 제안하여 훈련 깊이와 특징 학습 능력을 향상시킨다.
• AMD, DME, RVO 환자로부터의 수동으로 애너테이션된 SD-OCT B-스캔 데이터셋을 사용하여 지도 학습 방식으로 모델을 훈련시킨다.
• 분할 성능에 미치는 영향을 평가하기 위해 두 가지 훈련 목표인 크로스 엔트로피 손실과 다이스 손실을 평가한다.
• 단일 제조사 훈련(Cirrus 또는 Spectralis 전용)과 두 제조사의 데이터를 함께 사용한 공동 훈련을 수행하여 모델의 강건성과 일반화 능력을 테스트한다.
• 주요 평가 지표로 평균 다이스 유사도 계수(DSC)와 평균 정밀도(AP)를 사용하며, 모델 비교를 위해 정밀도-재현율 곡선을 활용한다.
• 25개의 이중 애너테이션된 OCT 영상에 기반해 상호 평가자 간 변동성과 성능을 비교하며, DSC를 인간 간 일치도 측정 지표로 사용한다.

실험 결과

연구 질문

• RQ1 다양한 망막 질환에 걸쳐 SD-OCT 스캔에서 초반사성 병변(HRF)을 고정밀도로 분할할 수 있는 완전 자동화된 딥러닝 모델이 가능한가?
• RQ2 훈련 손실 함수의 선택(Cross-Entropy 대비 Dice)이 OCT 영상에서 HRF 분할 성능에 어떤 영향을 미치는가?
• RQ3 Cirrus와 Spectralis 두 제조사의 OCT 데이터로 훈련된 단일 모델이 다양한 영상 장치 간에 얼마나 잘 일반화되는가?
• RQ4 제안된 ResUNet 모델의 성능은 단순한 아키텍처(예: 표준 U-Net)와 손실 함수에 비해 어떻게 다른가?
• RQ5 자동 분할 성능가 실질적인 임상 전문가 애너테이션에서 관찰되는 상호 평가자 간 변동성과 일치하거나 이를 초월하는가?

주요 결과

• Cirrus와 Spectralis 데이터를 함께 훈련한 ResUNet 모델에서 크로스 엔트로피 손실을 사용할 경우 평균 DSC가 0.6526으로 가장 높은 성능을 기록하여 다른 모델과 손실 함수보다 뛰어났다.
• 가장 뛰어난 성능을 보인 모델(ResUNet +)은 Cirrus 데이터에서 평균 정밀도(AP)가 0.7063, Spectralis 데이터에서 0.6775를 기록하여 강력한 탐지 성능을 입증했다.
• 모든 테스트 영상에서 평균 DSC가 0.6430으로 상호 평가자 간 변동성(DSC = 0.6760)의 범위 내에 위치하여 임상 수준의 정확도를 보였다.
• Cirrus와 Spectralis 두 제조사의 데이터를 함께 사용한 공동 훈련이 단일 제조사 훈련보다 모델의 일반화 능력과 성능을 향상시켰다.
• 크로스 엔트로피 손실이 다이스 손실보다 DSC와 AP 측면에서 일관되게 뛰어나, HRF의 극도로 불균형한 레이블 분포에 대해 더 나은 최적화를 가능하게 했다.
• ResUNet 아키텍처는 다양한 OCT 스캐너와 질환 유형 간 시각적 변동성에 대해 뛰어난 강건성을 보이며, AMD, DME, RVO 전반에 걸쳐 넓은 적용 가능성을 보였다.