[논문 리뷰] Domain knowledge assisted cyst segmentation in OCT retinal images

Karthik Gopinath, Jayanthi Sivaswamy|arXiv (Cornell University)|2016. 12. 08.

Retinal Imaging and Analysis참고 문헌 12인용 수 6

한 줄 요약

이 논문은 전처리, MSER 기반 후보 감지 및 랜덤 포레스트 분류를 활용하여 3D 스펙트럼 도메인 OCT 망막 영상에서 자동으로 낭종을 분할하는 도메인 지식을 통합하고 생물학적으로 영감을 얻은 방법을 제안한다. MICCAI 2015 훈련 데이터셋에서 평균 DICE 계수는 0.3893를 기록하였으며, 작은 노이즈가 많은 낭종을 탐지하는 데 상당한 과제가 존재한다.

ABSTRACT

3D imaging modalities are becoming increasingly popular and relevant in retinal imaging owing to their effectiveness in highlighting structures in sub-retinal layers. OCT is one such modality which has great importance in the context of analysis of cystoid structures in subretinal layers. Signal to noise ratio(SNR) of the images obtained from OCT is less and hence automated and accurate determination of cystoid structures from OCT is a challenging task. We propose an automated method for detecting/segmenting cysts in 3D OCT volumes. The proposed method is biologically inspired and fast aided by the domain knowledge about the cystoid structures. An ensemble learning methodRandom forests is learnt for classification of detected region into cyst region. The method achieves detection and segmentation in a unified setting. We believe the proposed approach with further improvements can be a promising starting point for more robust approach. This method is validated against the training set achieves a mean dice coefficient of 0.3893 with a standard deviation of 0.2987

연구 동기 및 목표

• 노이즈가 많은 3D OCT 볼륨에서 자동 낭종 분할의 과제를 해결한다. 특히 낭종성 망막부종(CME)에 초점을 맞춘다.
• 망막 낭종 형태학적 특성과 공간 분포에 대한 생물학적 지식을 통합하여 탐지 정확도를 향상시킨다.
• 이미지 전처리, 영역 후보 선택, 그리고 지도 학습 기반 분류를 조합한 다단계 파이프라인을 통해 임의의 양성 결과를 감소시킨다.
• 다양한 OCT 스캐너와 영상 품질 조건에서도 빠르고 통합된 낭종 탐지 및 분할을 가능하게 한다.

제안 방법

• 다양한 스캐너 유형 4종에 걸쳐 입력 OCT 볼륨을 일관성 있게 512×256 픽셀로 표준화한다.
• 망막 층의 조각별 일정한 성질을 활용하여 에지 보존을 위해 총 변동성 노이즈 제거를 적용한다.
• 다중 척도 설정에서 중심-둘레 차이 필터링을 사용하여 局부 최소값을 탐지하고, 낭종 영역의 어두운 외관을 모델링한다.
• 그래프 기반 방법을 사용하여 내측 한계막(Macular ILM)과 망막 색소 상피(RPE)를 분할하여 검색 공간을 제약한다.
• 사전 스무딩 없이 다중 척도에서 최대 안정성 외곽선 영역(MSER)을 추출하여 후보 낭종 영역을 감지한다.
• MSER 영역 주변의 경계 상자에서 국소 무늬 기술자를 추출하여 50트리 랜덤 포레스트 분류기를 훈련시켜 진정한 낭종과 가짜 양성 결과를 구분한다.

실험 결과

연구 질문

• RQ1 망막 낭종 형태학에 대한 도메인 지식이 저 SNR의 OCT 영상에서 자동 분할 성능을 향상시키는가?
• RQ2 다양한 OCT 스캐너 유형과 영상 품질에서 MSER 기반 후보 감지가 낭종 유사 영역을 얼마나 효과적으로 식별하는가?
• RQ3 랜덤 포레스트 분류가 진정한 양성 결과를 유지하면서 가짜 양성 결과를 어느 정도 감소시키는가?
• RQ4 왜 이 방법은 작은 낭종에서 성능이 열악한가? 노이즈는 탐지 성능에 어떤 영향을 미치는가?

주요 결과

• 모든 15개의 훈련 볼륨에서 평균 DICE 계수는 0.3893를 기록하였으며, 표준편차는 0.2987이었다.
• 랜덤 포레스트 필터링 이후 작은 낭종의 탐지율은 27.83%로 중간(51.18%) 및 큰 낭종(76.10%)에 비해 뚜렷하게 열악했다.
• 낮은 DICE 점수는 주로 작은 낭종을 탐지하지 못하기 때문이며, 이는 종종 스펙클 노이즈와 구별되지 않기 때문이다.
• MSER 기능은 작은 낭종의 61.76%를 탐지했지만, 랜덤 포레스트 분류기가 대부분을 기각하여 전체 탐지 성능이 열악했다.
• 탐지 수가 0인 슬라이스를 제외한 경우, Spectralis의 평균 DICE 계수는 0.6652, Cirrus는 0.5606, Topcon은 0.5357, Nidek는 0.5957로 향상되었다.
• 이 방법의 성능은 특히 중간 크기의 낭종에서 MSER 영역과 진짜 낭종 간의 부분적 겹침으로 인해 제한되었다.