[논문 리뷰] Retinal Fluid Segmentation and Detection in Optical Coherence Tomography Images using Fully Convolutional Neural Network

Donghuan Lu, Morgan Heisler외 4명|arXiv (Cornell University)|2017. 10. 13.

Retinal Imaging and Analysis참고 문헌 2인용 수 26

한 줄 요약

이 논문은 광학 간섭 단층촬영(OCT) 영상에서 망막 세포 간질성 부종 및 검출을 위한 완전 컨volution 신경망(FCN) 기반 프레임워크를 제안한다. 이는 ILM 및 RPE 층 분할을 이용해 상대적 거리 맵을 추가 입력으로 생성한다. 이 방법은 RETOUCH 데이터베이스에서 이탈한 한 환자에 대한 교차검증을 사용하여 유체 분할에 대해 평균 DICE 스코어 0.7317, 유체 검출에 대해 AUC 0.985를 달성한다.

ABSTRACT

As a non-invasive imaging modality, optical coherence tomography (OCT) can provide micrometer-resolution 3D images of retinal structures. Therefore it is commonly used in the diagnosis of retinal diseases associated with edema in and under the retinal layers. In this paper, a new framework is proposed for the task of fluid segmentation and detection in retinal OCT images. Based on the raw images and layers segmented by a graph-cut algorithm, a fully convolutional neural network was trained to recognize and label the fluid pixels. Random forest classification was performed on the segmented fluid regions to detect and reject the falsely labeled fluid regions. The leave-one-out cross validation experiments on the RETOUCH database show that our method performs well in both segmentation (mean Dice: 0.7317) and detection (mean AUC: 0.985) tasks.

연구 동기 및 목표

• 3D OCT 영상에서 망막 유체의 정확한 분할 및 검출을 위한 자동화된 방법 개발은 당뇨성 매크룰 에드마 및 AMD와 같은 질환의 진단 및 모니터링에 매우 중요하다.
• ILM 및 RPE 층의 위치로부터 유도된 상대적 거리 맵을 통해 공간적 맥락을 통합하여 유체 분할 정확도를 향상시키기.
• FCN가 식별한 후보 유체 영역에 대해 랜덤 포레스트 분류를 적용하여 유체 검출의 임의의 양성 반응을 줄이기.
• Cirrus, Spectralis, Topcon 등의 다양한 OCT 기기에서 성능을 평가하기 위해 RETOUCH 데이터베이스에서 이탈한 한 환자에 대한 교차검증 전략을 사용하기.

제안 방법

• 이 방법은 원시 OCT 영상와 상대적 거리 맵을 입력으로 사용하는 U-Net 유사 완전 컨volution 신경망(FCN)을 사용한다. 여기서 거리 맵은 각 픽셀의 ILM 및 RPE 층에 대한 수직 위치를 인코딩한다.
• 상대적 거리 맵은 공식 $ I(x,y) = \frac{y - Y_1(x)}{Y_1(x) - Y_2(x)} $ 를 사용하여 계산되며, 여기서 $ Y_1(x) $ 및 $ Y_2(x) $ 는 각각 x 위치에서 ILM 및 RPE의 y좌표이다.
• FCN는 수축 경로와 팽창 경로 사이의 스킵 연결을 사용하여 공간 해상도를 유지하고, 배경, 망막내 유체(IRF), 망막하 유체(SRF), 색소상피세포 탈리플라즈마(PED)를 위한 4채널 확률 맵을 출력한다.
• 후보 유체 영역은 유체로 분류된 픽셀들을 8연결 그룹화를 통해 식별하고, 이 영역에서 추출된 특징을 기반으로 랜덤 포레스트 분류기가 훈련되어 진정한 유체와 가짜 양성 반응을 구분한다.
• 체적 내 유체 존재 여부는 각 유체 유형에 대해 10개의 높은 B-scan 확률의 평균을 계산하여 결정되며, 검출 성능은 ROC 곡선과 AUC를 사용하여 평가된다.

실험 결과

연구 질문

• RQ1 상대적 거리 맵을 통한 공간 맥락 통합이 망막 OCT 영상에서의 유체 분할 정확도 향상에 기여하는가?
• RQ2 후보 유체 영역에 대한 랜덤 포레스트 분류의 통합은 가짜 양성 반응 감소에 얼마나 효과적인가?
• RQ3 제안된 프레임워크는 특성가 다른 다양한 OCT 영상 장치(Cirrus, Spectralis, Topcon) 간에 일반화 가능한가?
• RQ4 제한된 데이터로 이탈한 한 환자에 대한 교차검증을 사용하여 훈련된 경우, 이 방법의 분할 정확도 및 유체 검출 신뢰성은 어떠한가?

주요 결과

• 제안된 방법은 RETOUCH 데이터베이스에서 모든 유체 유형과 OCT 기기에서 평균 DICE 스코어 0.7317을 달성하였다.
• 유체 검출 성능은 영역 하위 곡선(AUC) 평균 0.985에 도달하여 체내 유체 존재를 식별할 때 높은 민감도와 특이도를 보였다.
• 분할 성능의 이질성은 주로 매우 작은 유체 영역이나 심한 망막 비틀림으로 인해 발생했으며, 이는 극단적인 경우에서 모델의 일반화 능력을 제한하였다.
• 수동 및 자동 분할 간의 절대 볼륨 차이(AVD)는 유체 유형과 기기 종류에 따라 표준편차가 5.6k에서 390k 픽셀 범위로 중간 정도의 변동성을 보였다.
• 이 방법은 Cirrus, Spectralis, Topcon 영상 시스템 간에서 일관된 성능을 보이며, 세 가지 다른 OCT 기기에서 뛰어난 내성성을 입증하였다.