[论文解读] Deep learning vessel segmentation and quantification of the foveal avascular zone using commercial and prototype OCT-A platforms

Morgan Heisler, Forson Chan+16 more|arXiv (Cornell University)|Sep 25, 2019

Retinal Imaging and Analysis参考文献 38被引用 13

一句话总结

本研究提出了一种基于深度神经网络（DNN）的方法，用于光学相干断层扫描血管成像（OCT-A）图像中黄斑无血管区（FAZ）及旁黄斑血管密度的自动分割与定量分析。基于三种OCT-A平台（包括商用和原型设备）的数据，该DNN在所有指标上的准确率、敏感度和特异性均达到与人工分割相当的水平，组内相关系数（ICC）>0.51，表明其在多种成像系统中均表现出稳健性能。

ABSTRACT

Automatic quantification of perifoveal vessel densities in optical coherence tomography angiography (OCT-A) images face challenges such as variable intra- and inter-image signal to noise ratios, projection artefacts from outer vasculature layers, and motion artefacts. This study demonstrates the utility of deep neural networks for automatic quantification of foveal avascular zone (FAZ) parameters and perifoveal vessel density of OCT-A images in healthy and diabetic eyes. OCT-A images of the foveal region were acquired using three OCT-A systems: a 1060nm Swept Source (SS)-OCT prototype, RTVue XR Avanti (Optovue Inc., Fremont, CA), and the ZEISS Angioplex (Carl Zeiss Meditec, Dublin, CA). Automated segmentation was then performed using a deep neural network. Four FAZ morphometric parameters (area, min/max diameter, and eccentricity) and perifoveal vessel density were used as outcome measures. The accuracy, sensitivity and specificity of the DNN vessel segmentations were comparable across all three device platforms. No significant difference between the means of the measurements from automated and manual segmentations were found for any of the outcome measures on any system. The intraclass correlation coefficient (ICC) was also good (> 0.51) for all measurements. Automated deep learning vessel segmentation of OCT-A may be suitable for both commercial and research purposes for better quantification of the retinal circulation.

研究动机与目标

• 开发一种深度学习模型，能够稳健地分割和量化OCT-A图像中的黄斑无血管区（FAZ）及旁黄斑血管密度。
• 评估DNN在多种OCT-A平台（包括商用和原型系统）上的性能，以评估其泛化能力。
• 将自动化DNN分割结果与人工分割（作为金标准）在关键FAZ形态学参数和血管密度方面进行比较。
• 通过组内相关系数（ICC）评估自动化测量的可重复性和可靠性。
• 确定深度学习是否能够克服常见OCT-A伪影（如投影伪影和运动伪影），实现一致的视网膜微血管定量分析。

提出的方法

• 训练深度神经网络（DNN）以在OCT-A图像的黄斑区域实现自动血管分割。
• 将DNN应用于三种不同平台获取的OCT-A数据：1060nm扫频源（SS）-OCT原型设备、RTVue XR Avanti和ZEISS Angioplex。
• 利用分割结果计算四个FAZ形态学参数：面积、最小和最大直径以及偏心率。
• 将旁黄斑血管密度作为次要结局指标进行量化。
• 通过将DNN输出与专家人工分割结果进行比较，使用准确率、敏感度、特异度和组内相关系数（ICC）等指标评估性能。
• 在所有三个平台进行验证，以评估方法在设备特异性图像质量差异下的一致性和鲁棒性。

实验结果

研究问题

• RQ1 深度学习模型是否能在多种OCT-A平台中实现对黄斑无血管区及旁黄斑血管结构的准确且一致的分割？
• RQ2 DNN在不同成像系统中的准确率、敏感度和特异性与人工分割相比如何？
• RQ3 在存在常见OCT-A伪影（如投影伪影和运动伪影）的情况下，DNN的可靠性在多大程度上得以保持？
• RQ4 FAZ参数及血管密度的自动化定量分析在不同OCT-A设备（包括原型系统）间是否具有可重复性？
• RQ5 DNN衍生测量结果与人工分割相比，在所有平台上的组内相关系数（ICC）是多少？

主要发现

• DNN在所有三种OCT-A平台（商用和原型）中均实现了与人工分割相当的准确率、敏感度和特异性，表现出强大的泛化能力。
• 在所有四个FAZ形态学参数或旁黄斑血管密度方面，DNN自动化测量与人工分割之间均无统计学上显著差异。
• 所有测量结果的组内相关系数（ICC）均超过0.51，表明在不同平台间具有良好的可靠性和可重复性。
• 该方法有效缓解了不同成像系统中信号噪声比波动、投影伪影和运动伪影等挑战。
• DNN在商用和原型OCT-A平台中均实现了对FAZ面积、最小/最大直径、偏心率及旁黄斑血管密度的一致且准确的量化。
• 结果支持使用深度学习实现临床和研究环境中自动化、可靠且跨平台的视网膜微血管定量分析。