[논문 리뷰] Intra-Retinal Layer Segmentation of 3D Optical Coherence Tomography Using Coarse Grained Diffusion Map

Rahele Kafieh, Hossein Rabbani외 2명|arXiv (Cornell University)|2012. 10. 01.

Optical Coherence Tomography Applications참고 문헌 35인용 수 4

한 줄 요약

이 논문은 텍스처 기반 클러스터링을 사용하여 에지 검출이 아닌, 3D 광학 간섭 단층촬영(OCT)에서 망막층 분할을 위한 새로운 확산 맵 기반 방법을 제안한다. 두 단계의 굵은 해상도 확산 맵핑을 통해 먼저 관심 영역을 분리하고, 그 다음 내부 층을 국소화함으로써, 저대비도 또는 기울기 부족한 이미지에서도 강건한 분할을 달성한다. 당뇨병성 망막병변 및 정상 환자로부터의 3D 데이터셋에서 평균 절대 경계 위치 오차는 7.56 ± 2.95 μm를 기록하였다.

ABSTRACT

Optical coherence tomography (OCT) is a powerful and noninvasive method for retinal imaging. In this paper, we introduce a fast segmentation method based on a new variant of spectral graph theory named diffusion maps. The research is performed on spectral domain (SD) OCT images depicting macular and optic nerve head appearance. The presented approach does not require edge-based image information and relies on regional image texture. Consequently, the proposed method demonstrates robustness in situations of low image contrast or poor layer-to-layer image gradients. Diffusion mapping is applied to 2D and 3D OCT datasets composed of two steps, one for partitioning the data into important and less important sections, and another one for localization of internal layers.In the first step, the pixels/voxels are grouped in rectangular/cubic sets to form a graph node.The weights of a graph are calculated based on geometric distances between pixels/voxels and differences of their mean intensity.The first diffusion map clusters the data into three parts, the second of which is the area of interest. The other two sections are eliminated from the remaining calculations. In the second step, the remaining area is subjected to another diffusion map assessment and the internal layers are localized based on their textural similarities.The proposed method was tested on 23 datasets from two patient groups (glaucoma and normals). The mean unsigned border positioning errors(mean - SD) was 8.52 - 3.13 and 7.56 - 2.95 micrometer for the 2D and 3D methods, respectively.

연구 동기 및 목표

• 이미지 대비도 또는 층 간 기울기가 낮을 때 3D OCT 영상에서 망막층을 분할하는 데 도전하는 문제를 해결하기 위해.
• 강건성을 향상시키기 위해 에지 기반 특징이 아닌 지역적 텍스처에 의존하는 분할 방법을 개발하기 위해.
• 스펙트럼 그래프 이론을 통해 확산 맵을 활용하여 3D OCT 데이터셋에서 망막층을 효율적으로 분할하고 국소화하기 위해.
• 진단적 관련성을 확보하기 위해 당뇨병성 망막병변 환자와 정상 대조군 모두로부터의 임상적 3D OCT 데이터를 바탕으로 방법을 평가하기 위해.

제안 방법

• 이 방법은 2D 및 3D OCT 데이터를 세 개의 클러스터로 나누기 위해 굵은 해상도 확산 맵핑을 사용하며, 두 외곽 클러스터를 기각하고 중심 영역을 관심 영역으로 유지한다.
• 픽셀 또는 복소체는 직사각형 또는 입방체 집합으로 묶여 그래프를 형성하며, 간선 가중치는 집합 평균 간 기하 거리와 강도 차이에 기반한다.
• 첫 번째 확산 맵 단계는 데이터를 세 개의 주요 부분으로 클러스터링하여 망막 영역의 관심 영역을 식별하고 분리한다.
• 두 번째 확산 맵 단계는 유지된 영역에만 적용되어, 지역적 텍스처 변화에 기반하여 내부 망막층을 추가로 분할하고 국소화한다.
• 이 방법은 기울기나 에지 정보에 의존하지 않아, 저대비도 또는 흐린 OCT 영상에서도 강건하다.
• 이 방법은 두 환자군으로부터의 23개의 3D OCT 데이터셋을 대상으로 테스트되었으며, 분할 정확도에 대한 정량적 평가가 수행되었다.

실험 결과

연구 질문

• RQ1 이미지 대비도가 낮거나 기울기가 약할 때, 에지에 의존하지 않는 텍스처 기반 방법이 3D OCT에서 정확한 망막층 분할을 달성할 수 있는가?
• RQ2 粗역도 확산 맵핑이 3D OCT에서 주변 구조물로부터 망막 관심 영역을 효과적으로 분리하는 데 얼마나 유용한가?
• RQ3 두 단계의 확산 맵 접근법이 전통적인 에지 기반 분할에 비해 층 국소화 정확도를 얼마나 향상시키는가?
• RQ4 이 방법은 당뇨병성 망막병변 환자와 정상 대조군을 포함한 다양한 환자 집단에 일반화될 수 있는가?
• RQ5 제안된 방법의 정량적 분할 정확도는 경계 위치 오차 측면에서 얼마인가?

주요 결과

• 제안된 방법은 전체 데이터셋에서 2D OCT 분할에서 평균 절대 경계 위치 오차 8.52 ± 3.13 μm를 달성하였다.
• 3D OCT 분할에서는 평균 절대 경계 위치 오차 7.56 ± 2.95 μm를 기록하여 2D 결과보다 향상된 정확도를 보였다.
• 텍스처에 기반함으로써 저대비도 또는 명확하지 않은 망막층에서도 강건함을 입증하였다.
• 두 단계의 확산 맵 프로세스는 성공적으로 망막 관심 영역을 분리하고 정확한 내부 층 국소화를 가능하게 하였다.
• 당뇨병성 망막병변 환자와 정상 환자로부터의 23개의 임상적 3D OCT 데이터셋에서 검증되어 임상적 관련성과 일반화 능력이 확인되었다.
• 그래프 구축 시 기하 거리와 강도 차이를 사용함으로써 지역적 텍스처 패턴을 효과적으로 포착하여 분할에 기여하였다.