[论文解读] Domain knowledge assisted cyst segmentation in OCT retinal images

Karthik Gopinath, Jayanthi Sivaswamy|arXiv (Cornell University)|Dec 8, 2016

Retinal Imaging and Analysis参考文献 12被引用 6

一句话总结

该论文提出了一种融合领域知识、受生物学启发的自动囊肿分割方法，用于3D光谱域OCT视网膜图像，结合预处理、基于MSER的候选区域检测和随机森林分类。该方法在MICCAI 2015训练数据集上实现了0.3893的平均Dice系数，但在检测小型、噪声较大的囊肿方面面临显著挑战。

ABSTRACT

3D imaging modalities are becoming increasingly popular and relevant in retinal imaging owing to their effectiveness in highlighting structures in sub-retinal layers. OCT is one such modality which has great importance in the context of analysis of cystoid structures in subretinal layers. Signal to noise ratio(SNR) of the images obtained from OCT is less and hence automated and accurate determination of cystoid structures from OCT is a challenging task. We propose an automated method for detecting/segmenting cysts in 3D OCT volumes. The proposed method is biologically inspired and fast aided by the domain knowledge about the cystoid structures. An ensemble learning methodRandom forests is learnt for classification of detected region into cyst region. The method achieves detection and segmentation in a unified setting. We believe the proposed approach with further improvements can be a promising starting point for more robust approach. This method is validated against the training set achieves a mean dice coefficient of 0.3893 with a standard deviation of 0.2987

研究动机与目标

• 解决在噪声较大的3D OCT影像中自动分割囊肿的挑战，特别是囊样黄斑水肿（CME）的情况。
• 通过整合视网膜囊肿形态和空间分布的生物学知识，提高检测准确性。
• 通过结合图像预处理、区域候选选择和监督分类的多阶段流程，减少假阳性结果。
• 实现在多种OCT扫描仪和图像质量条件下，快速、统一的囊肿检测与分割。

提出的方法

• 将四种不同扫描仪类型的输入OCT影像统一标准化为512×256像素，以确保一致性。
• 应用总变差去噪方法，在保留边缘的同时减少斑点噪声，利用视网膜层的分段常数特性。
• 在多尺度设置下使用中心-周围差分滤波检测局部极小值，以模拟囊性区域的暗淡外观。
• 采用基于图的方法分割内界膜（ILM）和视网膜色素上皮（RPE），以限制搜索空间。
• 提取最大稳定极值区域（MSER），在无需预先平滑的情况下，跨多尺度检测候选囊肿区域。
• 在MSER区域周围边界框的局部纹理描述子上训练50棵树的随机森林分类器，以区分真实囊肿与假阳性结果。

实验结果

研究问题

• RQ1 关于视网膜囊肿形态的领域知识是否能改善低信噪比OCT影像中的自动分割？
• RQ2 基于MSER的候选区域检测在不同OCT扫描仪类型和图像质量下，识别类似囊肿区域的效率如何？
• RQ3 随机森林分类在保留真正阳性结果的同时，能在多大程度上减少假阳性？
• RQ4 该方法为何在小型囊肿上表现不佳？噪声如何影响检测性能？

主要发现

• 该方法在全部15个训练影像上实现了0.3893的平均Dice系数，标准差为0.2987。
• 在随机森林过滤后，小型囊肿的检测率（27.83%）显著低于中型（51.18%）和大型（76.10%）囊肿。
• 低Dice分数主要源于小型囊肿检测失败，这些囊肿常与斑点噪声难以区分。
• MSER特征检测到了61.76%的小型囊肿，但随机森林分类器大多将其拒绝，导致整体检测性能较差。
• 排除检测数为零的切片后，Spectralis、Cirrus、Topcon和Nidek的平均Dice系数分别提升至0.6652、0.5606、0.5357和0.5957。
• 该方法的性能受限于MSER区域与真实囊肿之间的部分重叠，尤其在中型囊肿上更为明显。