[论文解读] Fully Automated Segmentation of Hyperreflective Foci in Optical Coherence Tomography Images

Thomas Schlegl, Hrvoje Bogunović+7 more|arXiv (Cornell University)|May 8, 2018

Retinal Imaging and Analysis参考文献 4被引用 27

一句话总结

本文提出了一种完全自动化的深度学习方法，利用残差U-Net架构对光谱域光学相干断层扫描（SD-OCT）图像中的高反射病灶（HRF）进行分割。该模型在多厂商、多疾病的OCT数据上进行训练，实现了与阅片者间变异度相当的高精度（平均DSC为0.6526），在包括年龄相关性黄斑变性（AMD）、糖尿病性黄斑水肿（DME）和视网膜静脉阻塞（RVO）在内的多种视网膜病理中表现出稳健性能。

ABSTRACT

The automatic detection of disease related entities in retinal imaging data is relevant for disease- and treatment monitoring. It enables the quantitative assessment of large amounts of data and the corresponding study of disease characteristics. The presence of hyperreflective foci (HRF) is related to disease progression in various retinal diseases. Manual identification of HRF in spectral-domain optical coherence tomography (SD-OCT) scans is error-prone and tedious. We present a fully automated machine learning approach for segmenting HRF in SD-OCT scans. Evaluation on annotated OCT images of the retina demonstrates that a residual U-Net allows to segment HRF with high accuracy. As our dataset comprised data from different retinal diseases including age-related macular degeneration, diabetic macular edema and retinal vein occlusion, the algorithm can safely be applied in all of them though different pathophysiological origins are known.

研究动机与目标

• 为解决SD-OCT扫描中手动、易出错的HRF检测问题，该问题耗时且不一致。
• 开发一种完全自动化的、基于深度学习的方法，实现视网膜OCT图像中高反射病灶（HRF）的像素级精确分割。
• 评估模型在不同OCT扫描仪厂商（Cirrus、Spectralis）和视网膜疾病（AMD、DME、RVO）之间的泛化能力。
• 比较不同损失函数（交叉熵与Dice）以及网络架构（ResUNet、U-Net）在HRF分割中的性能表现。
• 建立自动化HRF定量的基准，使其达到临床阅片者间的一致性水平。

提出的方法

• 提出一种残差U-Net（ResUNet）架构，结合U-Net的跳跃连接与ResNet的残差块，以提升训练深度和特征学习能力。
• 在来自AMD、DME和RVO患者的手动标注SD-OCT B-scan数据集上，采用监督学习方式训练模型。
• 评估两种训练目标：交叉熵损失和Dice损失，以分析其对分割性能的影响。
• 分别进行单厂商训练（仅Cirrus或仅Spectralis）以及联合训练（Cirrus与Spectralis数据合并），以测试模型的鲁棒性与泛化能力。
• 使用平均Dice相似系数（DSC）和平均精度（AP）作为主要评估指标，并通过精确率-召回率曲线进行模型比较。
• 通过25幅双人标注的OCT图像验证性能，以DSC作为衡量人类阅片者一致性的指标。

实验结果

研究问题

• RQ1 完全自动化的深度学习模型是否能在多种视网膜疾病中实现SD-OCT扫描中高反射病灶（HRF）的高精度分割？
• RQ2 训练损失函数的选择（交叉熵与Dice）如何影响OCT图像中HRF分割的性能？
• RQ3 在多厂商OCT数据（Cirrus与Spectralis）上训练的单一模型，其在不同成像设备间的泛化能力如何？
• RQ4 所提出的ResUNet模型在HRF分割中与简单架构（如标准U-Net）及损失函数相比表现如何？
• RQ5 自动化分割性能是否达到或超过临床专家标注中观察到的阅片者间变异度？

主要发现

• 在Cirrus与Spectralis数据上联合训练的ResUNet配合交叉熵损失时，实现了最高的平均DSC（0.6526），优于其他模型与损失函数。
• 表现最佳的模型（ResUNet +）在Cirrus数据上达到0.7063的平均精度（AP），在Spectralis数据上为0.6775，表明其具有出色的检测性能。
• 该模型在所有测试图像上的平均DSC为0.6430，处于阅片者间变异度范围（DSC = 0.6760）内，表明其具备临床水平的准确性。
• 在Cirrus与Spectralis多厂商数据上联合训练，相比单厂商训练，显著提升了模型的泛化能力与性能表现。
• 交叉熵损失在DSC与AP指标上始终优于Dice损失，表明其在HRF标签高度偏态分布下具有更优的优化能力。
• ResUNet架构在不同OCT扫描仪和疾病类型之间的视觉差异中表现出更强的鲁棒性，使其在AMD、DME与RVO中均具备广泛适用性。