[论文解读] Automated Segmentation of Retinal Layers from Optical Coherent Tomography Images Using Geodesic Distance

Jinming Duan, Christopher R. Tench+3 more|arXiv (Cornell University)|Sep 7, 2016

Glaucoma and retinal disorders参考文献 25被引用 3

一句话总结

本文提出了一种新颖的测地距离方法（GDM），用于在2D和3D光学相干断层扫描（OCT）图像中实现视网膜层的自动分割。通过采用指数加权函数整合水平和垂直强度梯度，并利用快速扫掠法求解Eikonal方程，GDM在复杂、弯曲且病理性的视网膜结构上实现了比主动轮廓法和基于图的方法更高的分割精度，表现出更强的鲁棒性。

ABSTRACT

Optical coherence tomography (OCT) is a non-invasive imaging technique that can produce images of the eye at the microscopic level. OCT image segmentation to localise retinal layer boundaries is a fundamental procedure for diagnosing and monitoring the progression of retinal and optical nerve disorders. In this paper, we introduce a novel and accurate geodesic distance method (GDM) for OCT segmentation of both healthy and pathological images in either two- or three-dimensional spaces. The method uses a weighted geodesic distance by an exponential function, taking into account both horizontal and vertical intensity variations. The weighted geodesic distance is efficiently calculated from an Eikonal equation via the fast sweeping method. The segmentation is then realised by solving an ordinary differential equation with the geodesic distance. The results of the GDM are compared with manually segmented retinal layer boundaries/surfaces. Extensive experiments demonstrate that the proposed GDM is robust to complex retinal structures with large curvatures and irregularities and it outperforms the parametric active contour algorithm as well as the graph theoretic based approaches for delineating the retinal layers in both healthy and pathological images.

研究动机与目标

• 解决在受斑点噪声、强度非均匀性和病理不规则性影响的OCT图像中准确分割视网膜层边界的问题。
• 提升在大曲率区域以及弱或低对比度边界区域（尤其是黄斑凹陷区域）的分割鲁棒性。
• 开发一种计算高效且精确的方法，适用于2D B-scan和3D体素OCT图像的分割。
• 克服现有方法的局限性，如主动轮廓法中的局部极小值问题和基于图方法的高计算成本。

提出的方法

• 通过Eikonal方程计算加权测地距离，采用指数函数整合水平和垂直强度梯度。
• 利用快速扫掠法高效求解Eikonal方程，实现3D距离计算，确保快速且稳定的数值解。
• 应用时间依赖的梯度下降方程，基于计算出的测地距离检测视网膜层边界。
• 在检测到的边界周围实施局部搜索区域，以精细化并勾勒出全部九层视网膜层边界，缓解局部极小值问题。
• 采用Godunov迎风有限差分格式对Eikonal方程进行离散化，并妥善处理边界条件。
• 在快速高斯-赛德尔迭代中采用交替扫掠顺序，以收敛到Eikonal方程的唯一解。

实验结果

研究问题

• RQ1 一种结合水平和垂直强度梯度的测地距离方法是否能提升在具有复杂视网膜结构的OCT图像中的分割精度？
• RQ2 所提出的GDM在具有大曲率和低对比度边界的病理OCT图像中分割视网膜层的表现如何？
• RQ3 与单方向梯度方法相比，指数加权函数是否能更有效地增强黄斑凹陷区域和弱边界？
• RQ4 与最先进的方法（如参数化主动轮廓和图论方法）相比，GDM在精度和计算效率方面表现如何？
• RQ5 局部搜索精炼策略是否能有效克服局部极小值问题，并改善困难区域的边界勾勒？

主要发现

• 所提出的GDM在健康和病理OCT图像上均优于参数化主动轮廓模型和基于图的理论方法，表现出更高的分割精度。
• 该方法在分割具有大曲率和不规则性的视网膜层方面表现出强鲁棒性，尤其在边界细微的黄斑区域表现优异。
• 指数加权函数能有效增强弱边界和低对比度边界，改善在对比度差或存在阴影区域的检测效果。
• 快速扫掠法实现了Eikonal方程的高效求解，使该算法适用于3D体素OCT数据处理。
• 局部搜索精炼步骤成功缓解了局部极小值问题，使所有九层视网膜层的边界检测更加一致和精确。
• 尽管由于实现差异无法直接比较，但GDM在精度上仍优于Dufour的图方法，即使Dufour的方法在496×633×10体素上耗时14.68秒。