[논문 리뷰] Automated OCT Segmentation for Images with DME

Sohini Roychowdhury, Dara D. Koozekanani외 2명|arXiv (Cornell University)|2016. 10. 24.

Retinal Imaging and Analysis참고 문헌 14인용 수 4

한 줄 요약

이 논문은 당뇨성 망막병변이 있는 환자의 산모광학간섭단층촬영(OCT) 영상에서 망막하 표면 및 층의 자동 분할을 위한 컴퓨터 지원 진단(CAD) 시스템을 제시한다. 이 방법은 새로운 푸리에 도메인 위너 역디컨볼루션 노이즈 제거 기법과 모델 기반 분할 알고리즘을 조합하여, 망막하 층 두께 추정에서 높은 상관관계(r ≥ 0.7, R² ≥ 0.5)를 달성하였으며, 병변이 있는 영상에서는 평균 오차 2–18 μm를 기록하고 웨이블릿 기반 노이즈 제거 기법보다 분할 정확도가 향상되었다.

ABSTRACT

This paper presents a novel automated system that segments six sub-retinal layers from optical coherence tomography (OCT) image stacks of healthy patients and patients with diabetic macular edema (DME). First, each image in the OCT stack is denoised using a Wiener deconvolution algorithm that estimates the additive speckle noise variance using a novel Fourier-domain based structural error. This denoising method enhances the image SNR by an average of 12dB. Next, the denoised images are subjected to an iterative multi-resolution high-pass filtering algorithm that detects seven sub-retinal surfaces in six iterative steps. The thicknesses of each sub-retinal layer for all scans from a particular OCT stack are then compared to the manually marked groundtruth. The proposed system uses adaptive thresholds for denoising and segmenting each image and hence it is robust to disruptions in the retinal micro-structure due to DME. The proposed denoising and segmentation system has an average error of 1.2-5.8 $μm$ and 3.5-26$μm$ for segmenting sub-retinal surfaces in normal and abnormal images with DME, respectively. For estimating the sub-retinal layer thicknesses, the proposed system has an average error of 0.2-2.5 $μm$ and 1.8-18 $μm$ in normal and abnormal images, respectively. Additionally, the average inner sub-retinal layer thickness in abnormal images is estimated as 275$μm (r=0.92)$ with an average error of 9.3 $μm$, while the average thickness of the outer layers in abnormal images is estimated as 57.4$μm (r=0.74)$ with an average error of 3.5 $μm$. The proposed system can be useful for tracking the disease progression for DME over a period of time.

연구 동기 및 목표

• DME 환자의 OCT 영상에서 망막하 표면 및 층의 정확한 자동 분할을 위한 CAD 시스템 개발
• DME의 중증도를 임상 평가하기 위한 망막하 층 두께 추정의 신뢰성 향상
• 기존 웨이블릿 기반 노이즈 제거(CDWT)와 비교하여 새로운 푸리에 도메인 노이즈 제거 방법의 성능 평가
• 자동 두께 맵핑을 통한 더 빠르고 효율적인 DME 진행도 탐지 및 모니터링 가능화
• 치료 반응 평가를 위한 매크로두께를 초월한 견고하고 재현 가능한 지표를 제공함으로써 임상 연구 지원

제안 방법

• 신호 대 잡음비(SNR)를 12 dB 이상 향상시키기 위해, 푸리에 도메인 구조 오차 기반 위너 역디컨볼루션 알고리즘을 사용하여 노이즈 파rameter를 추정하고 OCT 영상을 노이즈 제거한다.
• 노이즈 제거된 영상에 대해 최적화된 표면 피팅을 통해 7개의 망막하 표면과 6개의 망막하 층을 식별하는 모델 기반 접근 방식을 사용하여 분할한다.
• 배경 잡음을 억제하면서도 망막하 경계 구조를 유지하여 PSNR 23.5 dB를 달성한다.
• 수동 분할과의 비교를 통해 상관계수(r)와 결정계수(R²)를 사용하여 분할 성능을 평가한다.
• MATLAB을 사용하여 2.53 GHz 인텔 코어 i3 및 3 GB RAM을 탑재한 표준 랩탑에서 시스템을 구현하였으며, 각 OCT 영상 처리 시간은 35초 이내이다.
• 장기적 평가를 위해 전체 OCT 영상 스택에 걸친 층 두께 분포를 통합하여 두께 맵을 생성한다.

실험 결과

연구 질문

• RQ1 제안된 푸리에 도메인 노이즈 제거 방법은 DME 환자의 OCT 영상에서 CDWT 웨이블릿 기반 방법과 비교해 망막하 표면 분할 정확도를 향상시키는가?
• RQ2 제안된 분할 알고리즘을 사용할 때 자동 및 수동 망막하 층 두께 측정 간 상관관계는 어떠한가?
• RQ3 정상 영상와 DME 영향을 받은 영상 간에 제안된 노이즈 제거 및 분할 파이프라인을 사용했을 때 분할 정확도는 어떻게 달라지는가?
• RQ4 노이즈 제거 품질이 병변이 있는 영상에서 평균 및 분포적 망막하 층 두께 추정에 얼마나 영향을 미치는가?
• RQ5 제안된 CAD 시스템은 정상 및 DME 영향을 받은 OCT 영상에서 모두 r ≥ 0.7 및 R² ≥ 0.5를 달성하여 망막하 층 두께를 신뢰성 있게 추정할 수 있는가?

주요 결과

• 제안된 푸리에 도메인 노이즈 제거 방법은 SNR을 12 dB 이상 향상시키고 PSNR 23.5 dB를 달성하여, 낮은 PSNR임에도 불구하고 CDWT보다 분할 정확도가 뛰어나다.
• CDWT보다 제안된 노이즈 제거 방법이 망막하 경계를 더 잘 보존하여, CDWT는 경계를 부드럽게 하고 분할 신뢰도를 낮춘다.
• 병변이 있는 영상에서 제안된 방법은 평균 망막하 층 두께 추정 오차 2–18 μm를 기록하며, r ≥ 0.7 및 R² ≥ 0.5를 달성한다.
• CDWT 기반 접근 방식은 특히 병변이 있는 영상에서 두께 분포 추정에 대해 상당히 낮은 상관계수(r 최저 0.23)와 R²(최저 0.1)를 기록한다.
• 제안된 분할 알고리즘은 정상 영상에서는 0–2 μm 오차로 강건성을 보이며, 병변이 있는 영상에서는 2–18 μm 오차로 만족스러운 성능을 보이며, 노이즈 제거에 대해 p값 < 0.001, CDWT 기반 분할에 대해 p값 < 0.01을 기록한다.
• 시스템은 표준 랩탑에서 각 OCT 영상 처리를 35초 이내로 완료하여 DME 모니터링 및 연구에 실용적인 임상 적용이 가능하다.