[论文解读] DRUNET: A Dilated-Residual U-Net Deep Learning Network to Digitally Stain Optic Nerve Head Tissues in Optical Coherence Tomography Images

Sripad Krishna Devalla, Prajwal K. Renukanand+9 more|arXiv (Cornell University)|Mar 1, 2018

Glaucoma and retinal disorders参考文献 37被引用 5

一句话总结

DRUNET 是一种空洞残差 U-Net 深度学习模型，通过捕捉局部纹理和上下文空间信息，在光学相干断层扫描（OCT）图像中对视神经乳头（ONH）的六个组织层进行数字染色。其在与专家手动分割结果对比下，平均 Dice 系数达到 0.91±0.05，展示了在自动青光眼参数提取中对多种组织进行鲁棒、同步分离的能力。

ABSTRACT

Given that the neural and connective tissues of the optic nerve head (ONH) exhibit complex morphological changes with the development and progression of glaucoma, their simultaneous isolation from optical coherence tomography (OCT) images may be of great interest for the clinical diagnosis and management of this pathology. A deep learning algorithm was designed and trained to digitally stain (i.e. highlight) 6 ONH tissue layers by capturing both the local (tissue texture) and contextual information (spatial arrangement of tissues). The overall dice coefficient (mean of all tissues) was $0.91 \pm 0.05$ when assessed against manual segmentations performed by an expert observer. We offer here a robust segmentation framework that could be extended for the automated parametric study of the ONH tissues.

研究动机与目标

• 开发一种深度学习框架，能够同时分离 OCT 图像中的多个 ONH 组织层，克服现有组织特异性分割工具的局限性。
• 通过新颖的网络架构整合局部纹理与全局空间上下文，提升分割精度。
• 实现对青光眼进展过程中神经组织和结缔组织变化的自动化参数化分析。
• 减少在临床 OCT 分析中对人工分割及易出错的设备特定算法的依赖。
• 为未来基于设备无关、多中心的青光眼 ONH 组织形态学验证提供基础。

提出的方法

• DRUNET 采用空洞残差 U-Net 架构，以捕捉 3D OCT B-扫描中的多尺度上下文特征与细粒度纹理细节。
• 空洞卷积在不下采样的前提下扩展感受野，增强对细微组织边界特征的表征能力。
• 跳跃连接保留空间分辨率并促进梯度流动，提升训练稳定性与边界定位精度。
• 网络通过像素级交叉熵损失与 Dice 系数优化进行端到端训练，以应对组织类别不平衡问题。
• 输入的 OCT B-扫描通过补偿技术进行预处理，以减轻光衰减与阴影伪影的影响。
• 模型在 100 名受试者中 40 名的 OCT 图像上进行训练，60 名受试者用于测试，各次实验中训练集与测试集之间无数据泄露。

实验结果

研究问题

• RQ1 单一深度学习模型是否能够准确且同时分割 OCT 图像中的六个不同 ONH 组织层？
• RQ2 DRUNET 在分离 ONH 组织方面的性能与以往基于图像块的深度学习方法相比如何？
• RQ3 引入空洞卷积与残差连接在 OCT 图像中对复杂重叠组织边界分割的改善程度如何？
• RQ4 该模型是否能在不同青光眼表型（POAG、PACG）及健康对照中实现良好泛化？
• RQ5 图像补偿技术对在存在衰减伪影情况下的数字染色鲁棒性有何影响？

主要发现

• 在与专家手动分割结果对比下，DRUNET 在所有六个 ONH 组织层上均实现了 0.91±0.05 的平均 Dice 系数。
• 与先前基于图像块的深度学习方法相比，该模型在边界精确度与组织分离能力方面表现更优，尤其在板层棘与巩膜组织上。
• 该算法成功减少了人工造成的 LC-巩膜插入现象，并改善了复杂组织界面的边界勾勒。
• 尽管在视乳头周围巩膜与 LC 厚度验证方面仍存在挑战，但模型输出与既往活体 OCT 研究中已知的解剖关系保持一致。
• 该网络在病理图像中表现出鲁棒性，但因缺乏多设备训练，性能可能因不同 OCT 设备而异。
• 研究发现 GCC 与光感受器层分割存在局限，主要受斑点噪声与强度非均匀性影响，提示需采用更先进的预处理或分阶段分割策略。