[논문 리뷰] ReLayNet: Retinal Layer and Fluid Segmentation of Macular Optical Coherence Tomography using Fully Convolutional Network

Abhijit Guha Roy, Sailesh Conjeti외 5명|arXiv (Cornell University)|2017. 04. 07.

Retinal Imaging and Analysis인용 수 12

한 줄 요약

ReLayNet는 매크로 옵티컬 코herence 톰그래피(OCT) 스캔에서 7개의 망막층과 체액 병변을 엔드 투 엔드로 분할하기 위한 완전 컨volution 신경망이다. U-Net 유사한 인코더-디코더 아키텍처를 사용하며, 가중치가 부여된 로지스틱 손실과 딱스 손실의 조합된 손실 함수를 적용하여 최신 기술 수준의 성능을 달성하였으며, ETDRS 격자 영역에서 평균 두께 오차가 단지 0.13 픽셀에 불과하다. 특히 임상적으로 중요한 중심부비부 영역에서 뛰어난 성능을 보이며, 두께 오차가 0.34 픽셀에 그친다.

ABSTRACT

Optical coherence tomography (OCT) is used for non-invasive diagnosis of diabetic macular edema assessing the retinal layers. In this paper, we propose a new fully convolutional deep architecture, termed ReLayNet, for end-to-end segmentation of retinal layers and fluid masses in eye OCT scans. ReLayNet uses a contracting path of convolutional blocks (encoders) to learn a hierarchy of contextual features, followed by an expansive path of convolutional blocks (decoders) for semantic segmentation. ReLayNet is trained to optimize a joint loss function comprising of weighted logistic regression and Dice overlap loss. The framework is validated on a publicly available benchmark dataset with comparisons against five state-of-the-art segmentation methods including two deep learning based approaches to substantiate its effectiveness.

연구 동기 및 목표

• 맥락적 망막 OCT 스캔에서 정확하고 엔드 투 엔드로 망막층과 체액을 분할하기 위한 딥 러닝 프레임워크를 개발하는 것.
• 정상적인 망막층 구조를 방해하는 병적 망막 변화가 있는 상황에서도 분할의 강건성을 향상시키는 것.
• 단일 B-스캔당 추론 시간가 0.01초 이내인 고속 추론을 달성하여 임상 적용에 적합한 것.
• 표준 평가 지표인 딱스 점수, 두께 추정, 윤곽선 이격도를 사용하여 공개 벤치마크 데이터셋에서 최신 기술 수준의 방법과 성능을 검증하는 것.
• 표준 임상 기준인 ETDRS 격자를 사용한 자동 망막 두께 측정에 ReLayNet의 유용성을 입증하는 것.

제안 방법

• ReLayNet는 U-Net을 영감으로 삼은 완전 컨볼루션 인코더-디코더 아키텍처를 사용하며, 계약형(인코더) 경로를 통해 계층적인 맥락적 특징을 추출하고, 확장형(디코더) 경로를 통해 정밀한 국소화를 가능하게 한다.
• 네트워크는 픽셀 단위의 분류를 위한 가중치가 부여된 로지스틱 회귀 손실과 예측된 분할 마스크와 진짜 마스크 간의 겹침을 최적화하기 위한 딱스 손실을 조합한 조합 손실 함수를 사용하여 훈련된다.
• 스킵 연결을 통해 공간 해상도를 유지하고 역전파 동안 기울기 흐름을 촉진하여 디코더 경로에서의 특징 학습을 향상시킨다.
• 모델은 전문가가 애너테이션한 10명의 환자로부터의 공개 벤치마크 데이터셋을 사용하여 훈련되며, 일반화 능력을 향상시키기 위해 데이터 증강 기법을 적용한다.
• 실시간 추론이 수행되며, 단일 B-스캔을 약 0.01초 내에 처리하여 임상 적용에 적합하다.
• 프레임워크는 ETDRS 격자를 사용하여 평가되며, 분할된 층에서 유도된 망막 두께를 계산하고 다양한 방법 간의 비교가 이루어진다.

실험 결과

연구 질문

• RQ1 기존 최신 기술 수준의 방법들과 비교하여, 완전 컨볼루션 네트워크가 OCT 스캔에서 망막층과 체액의 분할 정확도를 향상시킬 수 있는가?
• RQ2 ETDRS 격자 전역에서 망막 두께를 추정할 때 ReLayNet의 성능은 특히 당뇨성 망막병변 진단에 중요한 중심부비부 영역에서 어떻게 되는가?
• RQ3 정상 망막층 구조가 왜곡되는 심각한 병적 변화가 있는 상황에서 ReLayNet은 얼마나 정확도를 유지하는가?
• RQ4 가중치가 부여된 로지스틱 손실과 딱스 손실을 조합한 조합 손실 함수의 사용이 분할의 강건성과 경계 정밀도를 향상시키는가?
• RQ5 빠른 추론 속도와 높은 정확도를 바탕으로 ReLayNet은 임상 워크플로우에 도입될 수 있는가?

주요 결과

• ReLayNet은 모든 9개의 ETDRS 영역에서 가장 낮은 평균 절대 두께 오차를 기록하였으며, 가장 임상적으로 중요한 중심부비부 영역(영역 1)에서 0.34 픽셀의 오차를 보였다.
• 영역 1에서 ReLayNet의 두께 추정 오차는 0.34 픽셀이었으며, CM-Unet(0.89), CM-GDP(0.59) 및 기타 기준 모델들과 비교해도 유의미하게 낮았으며, 여러 영역에서 1 픽셀 이상의 오차를 보인다.
• ReLayNet은 다섯 가지 최신 기술 수준의 방법들보다 딱스 점수, 망막 두께 추정, 윤곽선 이격도 지표에서 모두 뛰어난 성능을 보이며, 일관된 우수성을 입증하였다.
• 체액 축적과 층의 파손이 있는 심각한 병변 영역에서도 높은 정확도를 유지하여 강력한 강건성을 보였다.
• CM-Unet은 네 개의 영역(5, 7, 8, 9)에서 두 번째로 우수한 성능을 보였지만, ReLayNet은 모든 영역에서 일관되게 1위를 차지하였으며, 특히 중심부비부 영역에서 두각을 나타냈다.
• ReLayNet의 추론 속도는 B-스캔당 약 0.01초로, 실시간 임상 적용에 적합하다.