[论文解读] Automatic Segmentation of Choroid Layer in EDI OCT Images Using Graph Theory in Neutrosophic Space

Bahareh Salafian, Rahele Kafieh+3 more|arXiv (Cornell University)|Dec 5, 2018

Retinal Imaging and Analysis参考文献 22被引用 17

一句话总结

本文提出了一种基于图论与中性析取集框架的自动脉络膜分割方法，用于处理ED-I-CT图像中的不确定性与噪声。通过将图像转换至中性析取空间，应用戴克斯特拉算法检测视网膜色素上皮层，并结合伽马校正与同态滤波扩展方法以实现脉络膜分割，该方法在黄斑区图像上的平均无符号误差为3.34像素（12.9 μm），在视盘前区图像上的平均无符号误差为6.55像素（25.3 μm），在黄斑区数据上优于现有方法，并在视盘前区区域引入了新颖的结果。

ABSTRACT

The choroid is vascular tissue located underneath the retina and supplies oxygen to the outer retina; any damage to this tissue can be a precursor to retinal disease. Choroid is almost invisible in Enhanced Depth Imaging Optical Coherence Tomography (EDI-OCT) images and it is hard for an ophthalmologist to detect this layer manually. This paper presents an automatic method of choroidal segmentation from EDI-OCT images in neutrosophic space. In neutrosophic approach for image processing, extracting any information from an image and applying any process on it, is modeled by three sets including true, false, and indeterminacy sets. At first, we transform each image to the neutrosophic space; then, we calculate weights between each two nodes and apply the Dijkstra algorithm in order to detect Retinal Pigment Epithelium (RPE) layer. Based on RPE localization and applying gamma correction and homomorphic filter to false set, we segment choroid layer by similar approach used for RPE. The proposed algorithm is tested on 32 EDI OCT images of Heidelberg 3D OCT Spectralis from 11 people and is compared with manual segmentation. The results showed an unsigned error of 3.34 pixels (12.9 Micrometer) for macular images and 6.55 pixels (25.3 Micrometer) for prepapillary images; which macular error is lower than two other methods (7.71 pixels and 9.79 pixels). Furthermore, the proposed method on prepapillary data is novel and published works are concentrated on macular data. Identification of the boundary can help to determine the loss or change of choroid, which can be used as features for automatic determination of the retinal diseases.

研究动机与目标

• 为解决在ED-I-CT图像中脉络膜层自动分割的挑战，该层几乎不可见且人工检测困难。
• 通过利用中性析取集理论建模图像数据中的真值、假值与不确定性，提升在噪声与强度非均匀性条件下的分割精度。
• 通过在黄斑区之外实现准确的脉络膜检测，将现有分割方法扩展至视盘前区ED-I-CT图像，这是文献中的新贡献。
• 提供一种鲁棒的自动化方法用于脉络膜边界检测，可作为视网膜疾病早期诊断的特征。

提出的方法

• 通过定义三个集合（真值、假值与不确定性）将每张ED-I-CT图像转换至中性析取空间，以表示像素在不同图像状态中的隶属关系。
• 构建图结构，其中每个像素为一个节点，边权重基于强度值与不确定性值计算，以反映相似性与不确定性。
• 在图上应用戴克斯特拉最短路径算法，通过最小化成本寻找最优路径，以检测视网膜色素上皮（RPE）层。
• 将检测到的RPE层作为参考，通过在假值集合上应用伽马校正与同态滤波，引导后续脉络膜分割。
• 在处理后的假值集合上重新应用基于图的分割方法，利用相同的戴克斯特拉优化方法识别脉络膜边界。
• 在中性析取框架中整合空间与强度约束，以增强对图像伪影与低对比度的鲁棒性。

实验结果

研究问题

• RQ1 基于中性析取的图方法是否能有效分割ED-I-CT图像中的脉络膜层，该层结构微弱且视觉上不明显？
• RQ2 在黄斑区与视盘前区，该方法与现有分割技术相比，在准确度与鲁棒性方面表现如何？
• RQ3 在中性析取图框架中使用戴克斯特拉算法在噪声与强度非均匀性条件下，对边界检测的改善程度如何？
• RQ4 该方法能否推广至当前文献中研究较少的视盘前区？其性能与黄斑区数据相比如何？

主要发现

• 所提方法在黄斑区图像上的平均无符号误差为3.34像素（12.9 μm），低于两种对比方法报告的7.71像素与9.79像素。
• 在视盘前区图像上，该方法的平均无符号误差为6.55像素（25.3 μm），作为此前研究仅聚焦于黄斑区的补充，具有新颖性。
• 通过在假值集合中整合伽马校正与同态滤波，显著提升了分割精度，增强了对比度并降低了噪声。
• 中性析取空间框架有效建模了不确定性与强度变化，使在低对比度区域的边界检测更加可靠。
• 该方法在不同图像质量与解剖区域中表现出鲁棒性，在黄斑区与视盘前区数据上均保持一致的性能。