[论文解读] BSDA-Net: A Boundary Shape and Distance Aware Joint Learning Framework for Segmenting and Classifying OCTA Images

Li Lin, Zhonghua Wang+6 more|arXiv (Cornell University)|Jul 10, 2021

Retinal Imaging and Analysis参考文献 30被引用 4

一句话总结

该论文提出BSDA-Net，一种新颖的联合学习框架，通过整合边界热图回归与符号距离图重建分支，提升OCTA图像中FAZ分割与诊断分类的性能。该方法在三个数据集上均达到最先进水平，在OCTA-500数据集上实现94.23%的准确率与87.68%的Kappa值，证明了通过分层特征融合，FAZ特征可显著提升分类性能。

ABSTRACT

Optical coherence tomography angiography (OCTA) is a novel non-invasive imaging technique that allows visualizations of vasculature and foveal avascular zone (FAZ) across retinal layers. Clinical researches suggest that the morphology and contour irregularity of FAZ are important biomarkers of various ocular pathologies. Therefore, precise segmentation of FAZ has great clinical interest. Also, there is no existing research reporting that FAZ features can improve the performance of deep diagnostic classification networks. In this paper, we propose a novel multi-level boundary shape and distance aware joint learning framework, named BSDA-Net, for FAZ segmentation and diagnostic classification from OCTA images. Two auxiliary branches, namely boundary heatmap regression and signed distance map reconstruction branches, are constructed in addition to the segmentation branch to improve the segmentation performance, resulting in more accurate FAZ contours and fewer outliers. Moreover, both low-level and high-level features from the aforementioned three branches, including shape, size, boundary, and signed directional distance map of FAZ, are fused hierarchically with features from the diagnostic classifier. Through extensive experiments, the proposed BSDA-Net is found to yield state-of-the-art segmentation and classification results on the OCTA-500, OCTAGON, and FAZID datasets.

研究动机与目标

• 为解决单任务学习中因先验知识有限而导致的OCTA图像分割中FAZ边界检测不精确及异常值生成的问题。
• 探究显式FAZ相关特征（形状、边界、符号距离）是否能提升OCTA图像中深度诊断分类网络的性能。
• 开发一种分层融合分割与分类特征的联合学习框架，以提升临床诊断准确性。
• 为FAZ分割与多疾病分类建立基于OCTA图像的新最先进基线。

提出的方法

• 在主分割分支之外引入两个辅助分支——边界热图回归与符号距离图（SDM）重建，以提升边界精度并减少异常值。
• 采用共享编码器后接三个并行分支：分割、边界热图回归与SDM重建，实现多层次特征学习。
• 应用基于辅助分支推导出的软轮廓与方向性符号距离感知损失函数，以增强分割的边界感知能力。
• 通过融合所有三个分支的低层与高层特征，以及诊断分类器的特征，实现可解释的特征融合。
• 采用ResNeSt50作为主干网络，并通过多任务损失联合训练，同步优化分割与分类任务。
• 采用多层级感受野策略，在多个尺度上融合形状、边界与符号方向距离特征，以丰富分类器的输入表征。

实验结果

研究问题

• RQ1 边界热图回归与符号距离图重建的辅助分支是否能显著提升OCTA图像中FAZ分割的准确率与边界精度？
• RQ2 显式FAZ特征（形状、边界、符号距离）在多大程度上能增强深度诊断分类网络对眼病的识别性能？
• RQ3 一种分层联合学习框架，若能融合分割与分类特征，是否优于单任务学习或标准多任务学习在OCTA图像分析中的表现？
• RQ4 在多样化的OCTA数据集上，所提出的BSDA-Net相较于现有最先进方法，在分割与分类性能方面表现如何？

主要发现

• 在OCTA-500数据集上，BSDA-Net实现94.23%的准确率与87.68%的Kappa值，优于所有对比方法，包括ResNeSt50与YNet。
• 在OCTAGON数据集上，BSDA-Net实现99.53%的准确率与98.92%的Kappa值，为OCTA成像分类任务树立了新的最先进基准。
• 在FAZID数据集上，BSDA-Net实现82.57%的准确率与73.67%的Kappa值，尤其在糖尿病视网膜病变分类中表现突出，F1-score达89.32%。
• 消融实验表明，若移除边界（B）与距离（D）分支，分类准确率将下降4.5个百分点，证实二者具有关键作用。
• 模型在检测FAZ形态变化方面表现出强鲁棒性，对糖尿病与AMD病例的召回率较高，体现其临床相关性。
• 可视化结果表明，预测的软边界与重建的SDM比基线方法更精确、更少噪声，尤其在低对比度区域表现更优。