[論文レビュー] Cystoid macular edema segmentation of Optical Coherence Tomography images using fully convolutional neural networks and fully connected CRFs

Fangliang Bai, Manuel J. Marques+1 more|arXiv (Cornell University)|Sep 15, 2017

Retinal Imaging and Analysis参考文献 25被引用数 11

ひとこと要約

本論文は、網膜OCT画像における浮腫性黄斑症（CME）の自動セグメンテーションを目的として、完全畳み込みニューラルネットワーク（FCN）と完全結合条件付きランダムフィールド（ドライブルックCRF）を組み合わせたディープラーニングフレームワークを提案する。この手法は、Dice係数0.61±0.21を達成し、先行する最先端手法を上回り、境界の適合性と画像ノイズおよび変動に対するロバスト性が向上している。

ABSTRACT

In this paper we present a new method for cystoid macular edema (CME) segmentation in retinal Optical Coherence Tomography (OCT) images, using a fully convolutional neural network (FCN) and a fully connected conditional random fields (dense CRFs). As a first step, the framework trains the FCN model to extract features from retinal layers in OCT images, which exhibit CME, and then segments CME regions using the trained model. Thereafter, dense CRFs are used to refine the segmentation according to the edema appearance. We have trained and tested the framework with OCT images from 10 patients with diabetic macular edema (DME). Our experimental results show that fluid and concrete macular edema areas were segmented with good adherence to boundaries. A segmentation accuracy of $0.61\pm 0.21$ (Dice coefficient) was achieved, with respect to the ground truth, which compares favourably with the previous state-of-the-art that used a kernel regression based method ($0.51\pm 0.34$). Our approach is versatile and we believe it can be easily adapted to detect other macular defects.

研究の動機と目的

• 高解像度の3次元データと境界の曖昧さのため、手作業によるCMEセグメンテーションが時間のかかり、一貫性に欠けるという課題に対処すること。
• 糖尿病性黄斑症におけるCMEのセグメンテーション精度と境界の一貫性を向上させる、自動でエンドツーエンドに動作するディープラーニングフレームワークを開発すること。
• 空間的一貫性を向上させるために、FCNの予測結果を微調整するための後処理として、ドライブルックCRFを統合すること。
• CMEにとどまらず、他の網膜疾患に対しても適応可能な汎用的な手法を構築すること。
• 手作業によるルール依存を低減し、多様な網膜異常において一般化性を向上させること。

提案手法

• OCT BスキャンにおけるCME領域のピクセル単位分類を実行するために、スキップ接続を備えた完全畳み込みニューラルネットワーク（FCN）をエンドツーエンドで訓練する。
• 浅い層と深い層の特徴を統合することで、空間解像度を保持し、局所化精度を向上させる。
• 予測マスクと正解マスクの重複度を最適化するために、トレーニング中にDice損失層を組み込む。
• データ不足を緩和し収束性を向上させるために、事前学習済みImageNetモデルを用いた転移学習を適用する。
• トレーニングの多様性と一般化性を向上させるために、データ増強技術を用いる。
• FCN推論の後処理として、高次元の依存関係をモデル化し境界適合性を向上させるために、完全結合CRFを適用する。

実験結果

リサーチクエスチョン

• RQ1 限定的なアノテート済みデータを用いても、完全畳み込みニューラルネットワークはOCT画像における浮腫性黄斑症のセグメンテーションを効果的に学習できるか？
• RQ2 ドライブルックCRFを統合することで、FCN単体と比較してセグメンテーション精度と境界の一貫性がどのように向上するか？
• RQ3 本手法は、Dice係数と境界適合性の観点から、既存の最先端手法を上回っているか？
• RQ4 本手法は、糖尿病性黄斑症にとどまらず、他の網膜疾患に対してもどの程度一般化可能か？
• RQ5 FCNとドライブルックCRFの組み合わせにより、画像ノイズおよび解剖学的変動に耐えうる頑健な性能を達成できるか？

主な発見

• 提案手法は、Dice係数0.61±0.21を達成し、以前の最先端手法（カーネル回帰法、0.51±0.34）を顕著に上回った。
• セグメンテーション結果は、ベースライン手法と比較して過剰セグメンテーションおよび不十分セグメンテーションが減少し、境界適合性に優れた。
• ドライブルックCRFの統合により、病変境界における再現率が向上し、セグメンテーションの空間的一貫性が向上した。
• フレームワークは、画像アーチファクトや熟練医師による手作業アノテーションの差異に対しても頑健であった。
• 不規則な液体分布を示す複雑で多様なCMEパターン、特に網膜層内の不規則な液体分布に対しても、効果的に対処できた。
• さらにトレーニングを施すことで、加齢性黄斑ディストロフィーや網膜剥離など、他の網膜疾患に対しても汎用的かつ適応可能であることが示された。