[论文解读] Intra-Retinal Layer Segmentation of 3D Optical Coherence Tomography Using Coarse Grained Diffusion Map

Rahele Kafieh, Hossein Rabbani+2 more|arXiv (Cornell University)|Oct 1, 2012

Optical Coherence Tomography Applications参考文献 35被引用 4

一句话总结

该论文提出了一种基于扩散图的新方法，用于在3D光学相干断层扫描（OCT）中进行视网膜层分割，该方法采用基于纹理的聚类而非边缘检测。通过在两个阶段应用粗粒度扩散映射——首先分离感兴趣区域，然后定位内部层——该方法在低对比度或梯度贫乏的图像中实现了稳健的分割，3D数据集中的平均无符号边界定位误差为7.56 ± 2.95 μm，数据来自青光眼和正常患者。

ABSTRACT

Optical coherence tomography (OCT) is a powerful and noninvasive method for retinal imaging. In this paper, we introduce a fast segmentation method based on a new variant of spectral graph theory named diffusion maps. The research is performed on spectral domain (SD) OCT images depicting macular and optic nerve head appearance. The presented approach does not require edge-based image information and relies on regional image texture. Consequently, the proposed method demonstrates robustness in situations of low image contrast or poor layer-to-layer image gradients. Diffusion mapping is applied to 2D and 3D OCT datasets composed of two steps, one for partitioning the data into important and less important sections, and another one for localization of internal layers.In the first step, the pixels/voxels are grouped in rectangular/cubic sets to form a graph node.The weights of a graph are calculated based on geometric distances between pixels/voxels and differences of their mean intensity.The first diffusion map clusters the data into three parts, the second of which is the area of interest. The other two sections are eliminated from the remaining calculations. In the second step, the remaining area is subjected to another diffusion map assessment and the internal layers are localized based on their textural similarities.The proposed method was tested on 23 datasets from two patient groups (glaucoma and normals). The mean unsigned border positioning errors(mean - SD) was 8.52 - 3.13 and 7.56 - 2.95 micrometer for the 2D and 3D methods, respectively.

研究动机与目标

• 解决在图像对比度或层间梯度较差时，对3D OCT图像中视网膜层进行分割的挑战。
• 开发一种依赖区域纹理而非基于边缘特征的分割方法，以提高鲁棒性。
• 通过扩散图应用谱图理论，高效地对3D OCT数据集中的视网膜层进行分割和定位。
• 在青光眼和健康受试者的临床3D OCT数据上评估该方法，以验证其诊断相关性。

提出的方法

• 该方法使用粗粒度扩散映射，将2D和3D OCT数据划分为三个聚类，舍弃最外侧的两个聚类，保留中间区域作为感兴趣区域。
• 像素或体素被划分为矩形或立方体集合以构成图，边权重基于组均值之间的几何距离和强度差异。
• 第一阶段扩散映射通过将数据聚类为三个主要部分，识别并隔离视网膜的感兴趣区域。
• 第二阶段扩散映射仅应用于保留区域，以进一步细分并基于纹理变化定位内部视网膜层。
• 该方法避免依赖梯度或边缘信息，因此对低对比度或模糊的OCT图像具有鲁棒性。
• 该方法在23个来自两组患者的3D OCT数据集上进行了测试，并对分割准确性进行了定量评估。

实验结果

研究问题

• RQ1 当图像对比度较低或梯度较弱时，基于纹理且不依赖边缘的方法能否在3D OCT中实现准确的视网膜层分割？
• RQ2 粗粒度扩散映射在3D OCT中从周围结构中分离视网膜感兴趣区域方面的有效性如何？
• RQ3 与传统的基于边缘的分割方法相比，两阶段扩散图方法在层定位精度方面有多大提升？
• RQ4 该方法能否在不同患者群体（如青光眼患者和健康对照者）的临床3D OCT成像中实现泛化？
• RQ5 该方法在边界定位误差方面的定量分割精度如何？

主要发现

• 在2D OCT分割中，该方法在数据集上的平均无符号边界定位误差为8.52 ± 3.13 μm。
• 在3D OCT分割中，该方法实现了7.56 ± 2.95 μm的平均无符号边界定位误差，显示出相比2D结果的更高精度。
• 由于该方法依赖纹理而非边缘梯度，因此在低对比度或边界不清晰的视网膜层中表现出鲁棒性。
• 两阶段扩散图过程成功地隔离了视网膜感兴趣区域，并实现了内部层的精确定位。
• 该方法在23个来自青光眼和正常患者的临床3D OCT数据集上得到验证，证实了其临床相关性和泛化能力。
• 在图构建中使用几何距离和强度差异，有效捕捉了区域纹理模式，从而支持分割。