[论文解读] Automated OCT Segmentation for Images with DME

Sohini Roychowdhury, Dara D. Koozekanani+2 more|arXiv (Cornell University)|Oct 24, 2016

Retinal Imaging and Analysis参考文献 14被引用 4

一句话总结

本文提出一种计算机辅助诊断（CAD）系统，用于对糖尿病性黄斑水肿（DME）患者的眼部光学相干断层扫描（OCT）图像实现视网膜下表面与层的自动分割。该方法结合了一种新型的傅里叶域维纳反卷积去噪技术与基于模型的分割算法，在视网膜下层厚度估计中实现了高相关性（r ≥ 0.7，R² ≥ 0.5），在异常图像中平均误差为2–18 μm，且在去噪方面优于小波基去噪方法，分割精度更高。

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.

研究动机与目标

• 开发一种用于DME患者OCT图像中视网膜下表面与层的高精度自动分割的CAD系统。
• 提高视网膜下层厚度估计的可靠性，以支持DME严重程度的临床评估。
• 比较新型傅里叶域去噪方法与现有小波基去噪（CDWT）在提升分割精度方面的性能表现。
• 通过自动厚度图谱实现DME进展的更快、更高效的检测与监测。
• 通过提供超越黄斑厚度的稳健、可重复的指标，支持临床研究以评估治疗反应。

提出的方法

• 采用基于傅里叶域结构误差的维纳反卷积算法，用于估计噪声参数并去除OCT图像中的噪声，使信噪比（SNR）提升超过12 dB。
• 利用基于模型的方法对去噪后的图像进行分割，通过优化表面拟合识别出7个视网膜下表面和6个视网膜下层。
• 该方法在抑制背景噪声的同时保留了视网膜下边缘结构，达到23.5 dB的峰值信噪比（PSNR）。
• 通过与人工分割结果对比，采用皮尔逊相关系数（r）和决定系数（R²）评估分割性能。
• 系统在2.53 GHz Intel Core i3处理器、3 GB内存的计算机上使用MATLAB实现，每幅OCT图像处理时间低于35秒。
• 通过整合整个OCT图像堆栈的层厚度分布生成厚度图谱，用于纵向评估。

实验结果

研究问题

• RQ1 与CDWT小波基方法相比，所提出的傅里叶域去噪方法是否能提升DME患者OCT图像中视网膜下表面分割的准确性？
• RQ2 使用所提出的分割算法，自动与人工测量的视网膜下层厚度之间的相关性如何？
• RQ3 在正常与DME影响的OCT图像中，所提出的去噪与分割流程的分割准确性有何差异？
• RQ4 去噪质量在多大程度上影响病理性图像中平均值与分布的视网膜下层厚度估计？
• RQ5 所提出的CAD系统是否能在正常与DME影响的OCT图像中均可靠估计视网膜下层厚度，实现r ≥ 0.7和R² ≥ 0.5？

主要发现

• 所提出的傅里叶域去噪方法使信噪比（SNR）提升超过12 dB，峰值信噪比（PSNR）达23.5 dB，尽管PSNR低于CDWT，但分割精度更高。
• 与CDWT相比，所提出的去噪方法能更好地保留视网膜下边缘结构，而CDWT会模糊边缘，降低分割可靠性。
• 在异常OCT图像中，所提出方法的视网膜下层厚度估计平均误差为2–18 μm，相关系数r ≥ 0.7，决定系数R² ≥ 0.5。
• 基于CDWT的方法在厚度分布估计中相关系数（r）最低可达0.23，决定系数（R²）最低可达0.1，尤其在异常图像中表现显著更差。
• 所提出的分割算法在正常图像中表现稳健（误差0–2 μm），在异常图像中表现可接受（误差2–18 μm），去噪的p值< 0.001，CDWT基分割的p值< 0.01。
• 该系统在普通笔记本电脑上每幅OCT图像处理时间低于35秒，具备在临床中实现DME监测与研究的实用部署潜力。